Melhorando as Técnicas de Segmentação Interativa na Imagem Médica

Recentemente, a atenção tem sido voltada para a segmentação interativa em tarefas especializadas onde a input de especialistas é necessária para amplificar ainda mais o desempenho da segmentação. Neste trabalho, propomos uma nova arquitetura de segmentação interativa, bem como uma função de perda, onde os cliques do usuário são dinamicamente alterados em tamanho com base na máscara de segmentação atual. Um mapa de peso é formado com base nas regiões selecionadas pelos usuários e é posteriormente passado para uma rede neural profunda como uma nova função de perda ponderada. Um modelo U-Net interativo (IU-Net) que aplica tanto os cliques do usuário em primeiro plano quanto em segundo plano como o principal método de interação é empregado para avaliar nossa função de perda. Como adição ao IU-Net, propomos o uso de um U-Net interativo de fusão em duas correntes (TSFIU-Net) que aplica propriedades de fusão multimodal para permitir a propagação de informações de características de imagem em toda a arquitetura. Este modelo também é testado com a mesma função de perda e tamanhos de clique que mudam dinamicamente para determinar o aumento na precisão. Experimentamos com dados de TC de baço e câncer de cólon do conjunto de dados MSD realizado no MICCAI 2018 e melhoramos a precisão geral da segmentação em comparação ao U-Net padrão usando nossa função de perda ponderada. Tamanhos dinâmicos de clique do usuário aumentam a precisão em 8,88% e 2,16%, respectivamente, utilizando apenas uma única interação do usuário no IU-Net e em 13,9% e 3,92% no TSFIU-Net.