WeakPolyp : Vous ne regardez que la boîte englobante pour la segmentation des polypes

Limités par des étiquettes au niveau des pixels coûteuses, les modèles de segmentation de polypes sont frappés par une pénurie de données et souffrent d'une généralisation imparfaite. En revanche, les annotations de boîtes englobantes pour les polypes sont beaucoup moins chères et plus accessibles. Ainsi, pour réduire le coût d'étiquetage, nous proposons d'apprendre un modèle de segmentation de polypes faiblement supervisé (c'est-à-dire WeakPolyp) entièrement basé sur des annotations de boîtes englobantes. Cependant, les boîtes englobantes grossières contiennent trop de bruit. Pour éviter toute interférence, nous introduisons la transformation masque-vers-boîte (Mask-to-Box, M2B). En supervisant le masque externe de la boîte englobante plutôt que la prédiction elle-même, M2B atténue considérablement le décalage entre l'étiquette grossière et la prédiction précise. Néanmoins, M2B ne fournit qu'une supervision éparses, entraînant des prédictions non uniques. Par conséquent, nous proposons également une perte de cohérence d'échelle (Scale Consistency, SC) pour une supervision dense. En alignant explicitement les prédictions à différentes échelles au sein de la même image, la perte SC réduit considérablement la variabilité des prédictions. Il convient de noter que notre modèle WeakPolyp est un modèle plug-and-play qui peut être facilement intégré à d'autres architectures attractives. De plus, les modules proposés ne sont utilisés que pendant l'entraînement et n'ajoutent aucun coût computationnel à l'inférence. Des expériences approfondies démontrent l'efficacité de notre modèle WeakPolyp proposé, qui atteint une performance comparable à celle d'un modèle pleinement supervisé sans nécessiter aucune annotation de masque.