摘要

本文介绍了一种利用眼动注视点数据进行医学图像分割的新方法，该方法通过收集密集的弱监督信息来减少传统像素级标注的高成本。研究团队提出了一种多层次框架，通过模拟人类注意力生成伪掩模，并利用交叉层次一致性来减少注视点数据的噪声影响。该方法在结肠息肉和前列腺分割任务上进行了验证，并展示了其在性能和标注时间上的优势。

原理

本文提出的方法通过眼动追踪技术收集注视点数据，生成注视热图，并应用多层次阈值处理生成伪掩模。这些伪掩模被用作训练多个深度网络的监督信号。为了减少注视点数据的噪声影响，研究引入了一种交叉层次一致性机制，通过比较不同层次网络的预测结果来调整模型，使其学习到更清晰的图像分割模式。

流程

1. 数据收集：使用眼动追踪设备收集医学图像的注视点数据。
2. 热图生成：将注视点数据转换为注视热图。
3. 伪掩模生成：应用多层次阈值处理注视热图，生成多个伪掩模。
4. 网络训练：使用生成的伪掩模训练多个深度网络。
5. 一致性调整：通过交叉层次一致性机制调整网络，减少噪声影响。
6. 模型验证：在公共医学图像分割数据集上验证模型的性能。

应用

该方法在医学图像分割领域具有广泛的应用前景，特别是在需要高精度分割但标注成本高昂的场景中。此外，随着眼动追踪技术的普及和成本降低，该方法有望在更多领域得到应用。