BoxNet: Deep Learning Based Biomedical Image Segmentation Using Boxes Only Annotation

スポンサーリンク

---

Fig1. BoxNetの処理の流れ

論文URL

https://arxiv.org/pdf/1806.00593.pdf

2018年6月公開

ポイント

• Segmentationを弱教師付き学習で行う手法を提案
  • 検出対象物体領域の長軸と4点の極点のみをアノテーション
  • 教師データ作成時間を10～30%程度に削減し、通常の教師付き学習結果と同等の精度を実現

BoxNetの処理の流れ

• 教師データ作成

  

  Fig2. 教師データ作成方法

  1. 初めに検出対象物体領域の長軸を決めるために、領域中心付近の2点を指定(Fig2. の青点)
  2. 検出対象物体領域の4か所の極点を指定(Fig2. の緑点)
  3. 上記6点の情報から、傾きを持ったBounding Boxが決定される(Fig2. の赤枠)
     
     

• Segmentationラベル生成

  

  Fig3. Segmentationラベル生成処理

  1. 以下のようにラベル付けした教師データ(Fig3.(a))により、Segmentation用モデルを学習し、粗いSegmentation結果を得る(Fig3.(b))
     • 候補領域(Fig3.(a)緑領域)
       アノテーションされたBounding Boxの内部40%の領域およびBoxの中心と4つの極点を結ぶ線
     • 背景領域(Fig3.(a)水色領域)
       Bounding Boxの外部
     • 未使用領域(Fig3.(a)グレー領域)
       Bounding Box内で候補領域外の領域
       
       
  2. Segmentationされた領域をGraph Searchにかけ、検出対象物体領域の形状を補正(Fig3.(e))
     • Fig3.(d)の黄色領域が補正された箇所
     • Fig3.(c)は比較対象として実施されたDenseCRFの結果
       
       

• Graph Searchの結果得られた検出対象物体領域データを教師データとして、最終的なSegmentation用モデルを学習

Graph Search

Fig4. Graph Search

• 検出対象物体毎に中心からの放射線上の画素値を抽出(Fig4.(d)(e))
• 抽出した領域をGraph Searchにかけ、物体の境界を決定する(Fig4.(e)の緑線)。その際、アノテーション時に付けた4か所の極点を通ることを制約としている。