Pixel Diffuser: Practical Interactive Medical Image Segmentation without Ground Truth

Abstract

Thanks to recent achievements in deep learning techniques, automatic image segmentation has achieved superior performance compared to traditional methods in medical image segmentation task such as assisting doctors in diagnosis and surgeries. However, since deep learning requires a large amount of labeled data, it costs a lot of time and money for annotating the ground truth segments in medical images by hiring expertises. In this paper, we propose Pixel Diffuser, a method that can segment organs in CT images using a few simple and fast annotations for labeling such as drawing a dot or line. The proposed model adopts a recursive segmentation network of autoencoder-type which computes a segmentation starting from a given simple annotation and gradually expands to find the organ's shape. We evaluated our proposed framework through different shapes of user interaction and validated by comparison with a supervised learning method. Experimental results confirm that our network outperforms the traditional supervised learning models which require a lot of labeled images.|딥러닝 기술의 최근 성과 덕분에 자동 영상 분할은 의사의 진단 및 수술 지원과 같은 의료 영상 분할 작업에서 기존 방법에 비해 우수한 성능을 달성했다. 하지만 딥러닝은 많은 양의 라벨 된 데이터가 필요하기 때문에 전문 인력을 고용하여 의료 영상에 라벨을 다는 데 많은 시간과 비용이 든다. 본 논문에서는 라벨링을 위해 점이나 선을 그리는 것과 같은 몇 가지 간단하고 빠른 주석을 사용하여 CT 이미지에서 장기를 분할할 수 있는 방법인 Pixel Diffuser를 제안한다. 제안된 모델은 주어진 간단한 주석에서 시작하여 분할을 계산하고 장기의 모양을 찾기 위해 점진적으로 확장하는 Autoencoder 유형의 재귀 분할 네트워크를 채택한다. 다양한 형태의 사용자 상호 작용을 통해 제안한 프레임워크를 평가하고 지도 학습 방법과 비교하여 검증한다. 실험 결과는 우리의 네트워크가 라벨이 지정된 많은 이미지가 필요한 기존 지도 학습 모델보다 성능이 우수함을 보인다.