[20 CVPR] Structure Boundary Preserving Segmentation for Medical Image with Ambiguous Boundary

论文题目：Structure Boundary Preserving Segmentation for Medical Image with Ambiguous Boundary

作者单位：

主要看点：

边界模糊 (ambiguous structure boundaries) 和 多种类型组合的纹理 (heterogeneous textures) 导致医疗图像中目标物体的准确范围难以确定。
为了解决这个问题，加入了 boundary key points 的监督，让网络自身去预测可能的 key points，从而更加注重于边界的定位和结构化信息。
至于为什么引入 key points 监督而不是直接用 boundary 监督，也许是为了避免 GT 标注时候的 uncertainty 问题。

方法部分：

模型的整体结构如下：

Boundary Key-point Selection Module

这一部分是在GT边界上取出N个合适的keypoints， 做法很暴力，随机取点计算由点构成的多边形和GT之间的IoU，多次随机后取IoU最大的一次作为结果，算法如下：

可视化效果大致如下（从左到右三次循环）：

Boundary Preserving Block (BPB)

该模块如下运算：

其中是生成的 boundary key point map。在训练中使用 cross-entropy loss 监督如下
，
并不是一个单像素的，是一个半径为 R 的⚪。

Shape Boundary-aware Evaluator (SBE)

用来判断预测图和Boundary key point map 一致性的模块，作为训练时候的损失。

这个网络是是预先训练好的，其优化的损失如下：
，其中 D(·) 是。

Loss Function

Loss function 由三部分组成，第一部分直接是预测图和GT之间的CE Loss：

，
第二部分是之前的那个 keypoints 的 CE loss:
，

最后是 boundary aware loss (BA)，通过之前的判别器得到：
。

最终形式如下：
。

实验结果：

从结果上来看，直接加入点的预测和监督对结果提升比较明显。

可视化的效果如下：