【计算机视觉 | 目标检测 | 图像分割】arxiv 计算机视觉关于目标检测和图像分割的学术速递（9 月 11 日论文合集）

一、检测相关(1篇)

1.1 SegmentAnything helps microscopy images based automatic and quantitative organoid detection and analysis

分割任何东西都有助于基于显微图像的自动定量有机物检测和分析

https://arxiv.org/abs/2309.04190

类器官是自组织的3D细胞簇，其紧密模拟体内组织和器官的结构和功能。类器官形态的定量有助于研究器官发育、药物发现和毒性评估。最近的显微镜技术提供了一个有力的工具来获取类器官形态特征，但手动图像分析仍然是一个劳动和时间密集型的过程。因此，本文提出了一种用于显微镜分析的综合管道，该管道利用SegmentAnything来精确划分单个类器官。此外，我们引入了一组形态学特性，包括周长，面积，半径，非平滑度和非圆形度，使研究人员能够定量和自动分析类器官结构。为了验证我们的方法的有效性，我们对人类诱导多能干细胞（iPSC）衍生的神经上皮（NE）类器官的明场图像进行了测试。从我们的自动流水线获得的结果与手动类器官检测和测量密切一致，展示了我们提出的方法在加速类器官形态分析方面的能力。

二、分割|语义相关(4篇)

2.1 AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image Segmentation

AMLP：用于自监督医学图像分割的自适应掩蔽病变块

https://arxiv.org/abs/2309.04312

自监督掩蔽图像建模在自然图像上显示出有前途的结果。然而，直接将这样的方法应用于医学图像仍然具有挑战性。这种困难源于与自然图像相比病变的复杂性和独特特征，这阻碍了有效的表示学习。此外，传统的高固定掩蔽比限制了重建精细病变细节，从而限制了可学习信息的范围。为了解决这些限制，我们提出了一种新的自我监督医学图像分割框架，自适应掩蔽病变补丁（AMLP）。具体而言，我们设计了一个掩蔽贴片选择（MPS）策略，以识别和集中学习包含病变的贴片。病变区域稀少但关键，使得其精确重建至关重要。为了减少在MPS中无监督聚类导致的病变和背景补丁的错误分类，我们引入了一个注意力重建损失（ARL），以专注于难以重建的补丁可能描绘病变。我们进一步提出了一个类别一致性损失（CCL），以改进补丁分类的基础上重建困难，加强区分病变和背景。此外，我们开发了一个自适应掩蔽比（AMR）的策略，逐步增加掩蔽比，以扩大可重构的信息和提高学习。在两个医学分割数据集上的大量实验表明AMLP的优越性能相比，现有的自我监督方法。所提出的策略有效地解决了应用掩蔽建模的医学图像的限制，为捕获分割任务至关重要的精细病变细节。

2.2 Grouping Boundary Proposals for Fast Interactive Image Segmentation

基于分组边界的快速交互式图像分割算法

https://arxiv.org/abs/2309.04169

测地线模型是解决各种图像分割问题的有效工具。大多数现有的方法只利用局部逐点图像特征来跟踪测地线路径，以描绘目标边界。然而，这种分割策略不能考虑图像边缘特征的连通性，增加了捷径问题的风险，特别是在复杂场景的情况下。在这项工作中，我们介绍了一个新的图像分割模型的基础上的最小测地线框架结合自适应切割为基础的循环最优路径计算计划和一个基于图的边界建议分组计划。具体地，自适应切割可以断开图像域，使得目标轮廓被强加为仅通过该切割一次。边界建议包括预先计算的图像边缘段，为我们的分割模型提供连接信息。然后将这些边界建议并入所提出的图像分割模型中，使得目标分割轮廓由一组选定的边界建议和连接它们的对应测地线路径组成。实验结果表明，该模型确实优于现有的基于最小路径的图像分割方法。

2.3 Random Expert Sampling for Deep Learning Segmentation of Acute Ischemic Stroke on Non-contrast CT

非增强CT对急性缺血性卒中深度学习分割的随机专家抽样法

https://arxiv.org/abs/2309.03930

目的：多专家深度学习训练方法，用于在非造影CT上自动量化缺血脑组织数据集包括DEFUSE 3试验招募的233例急性缺血性卒中患者的260例非造影CT。一个基准U-Net的参考注释的三个经验丰富的神经放射科医生使用多数投票和随机专家抽样训练方案分割缺血性脑组织进行训练。我们使用一个单侧Wilcoxon符号秩检验对一组分割指标比较自举点估计的训练计划与专家间的协议和方差比的一致性分析。我们进一步比较了完全再灌注患者亚组中24小时随访DWI（最终梗死核心）的体积，并使用Spearman方法检测了体积与临床结局（30天和90天后的mRS）的相关性。结果：随机专家抽样导致的模型显示出与专家之间的一致性比专家之间的一致性更好，并且比专家之间的一致性和多数投票模型性能更好（公差5 mm处的表面骰子改善了61%至0.70 ±0.03，骰子改善了25%至0.50 ±0.04）。基于模型的预测体积类似地估计了最终梗死体积，并且与CT灌注相比与临床结果更好地相关。结论：随机专家抽样训练的模型可以在非造影CT上识别急性缺血脑组织的存在和位置，与CT灌注相似，且具有比专家更好的一致性。这可以进一步确保在不太专业的医院中选择有资格接受血管内治疗的患者。

2.4 A-Eval: A Benchmark for Cross-Dataset Evaluation of Abdominal Multi-Organ Segmentation

A-EVAL：腹部多器官分割的跨数据集评价基准

https://arxiv.org/abs/2309.03906

尽管深度学习已经彻底改变了腹部多器官分割，但由于在小的特定数据集上进行训练，模型通常难以泛化。随着最近大规模数据集的出现，出现了一些重要的问题：\textbf{在这些数据集上训练的模型能否在不同的数据集上很好地泛化？如果是/否，如何进一步提高其普遍性？}为了解决这些问题，我们引入了A-Eval，一种用于腹部（“A”）多器官分割的跨数据集评估（“Eval”）的基准。我们使用来自四个大型公共数据集的训练集：FLARE 22、AMOS、WORD和TotalSegmentator，每个都为腹部多器官分割提供了广泛的标签。为了进行评估，我们将来自这些数据集的验证集与来自BTCV数据集的训练集结合起来，形成了一个由五个不同数据集组成的强大基准。我们使用A-Eval基准评估各种模型的通用性，重点关注不同的数据使用场景：独立地在各个数据集上训练，通过伪标记利用未标记的数据，混合不同的模态，以及在所有可用数据集上进行联合训练。此外，我们还探讨了模型大小对跨数据集泛化能力的影响。通过这些分析，我们强调了有效使用数据在增强模型泛化能力方面的重要性，为组装大规模数据集和改进训练策略提供了有价值的见解。代码和预训练模型可在\href{https：//github.com/uni-medical/A-Eval}{https：//github.com/uni-medical/A-Eval}获得。