Scribble-Based Interactive Segmentation of Medical Hyperspectral Images

高光谱成像（HSI）是一种先进的医学成像模式，可以捕获广泛光谱范围内的光学数据，提供有关组织生化成分的新见解。 HSI 可能实现对各种组织类型和病理的精确区分，特别适用于肿瘤检测、组织分类和疾病诊断。基于深度学习的分割方法已经取得了相当大的进展，提供了自动化和准确的结果。然而，这些方法由于有限的注释数据和与硬件和采集技术的差异而面临着HSI数据集的挑战。临床协议的可变性也导致了不同结构边界的定义。利用用户知识和临床见解的交互式分割方法可以克服这些问题并实现精确的分割结果。本文介绍了一种基于涂鸦的医学高光谱图像交互式分割框架。所提出的方法利用深度学习进行特征提取，并利用用户提供的涂鸦生成测地距离图来获取分割结果。实验结果表明，利用基于深度学习提取的特征的测地距离图比直接从高光谱图像、重建的RGB图像或欧几里得距离图生成的测地距离图获得更好的分割结果。

本论文旨在解决医学高光谱图像分割中的挑战，包括有限的标注数据和不同临床协议导致的结构边界定义不一致等问题。

该论文提出了一种基于涂鸦的交互式分割框架，利用深度学习进行特征提取，并利用用户提供的涂鸦生成测地线距离图以获得分割结果。

实验结果表明，基于深度学习提取的特征的测地线距离图比直接从高光谱图像、重构的RGB图像或欧几里得距离图生成的测地线距离图获得更好的分割结果。

近年来，基于深度学习的分割方法在医学图像领域取得了显著进展，但是由于有限的标注数据和硬件、采集技术的差异，这些方法在高光谱图像数据集上面临着挑战。与此同时，基于交互式分割的方法可以充分利用用户知识和临床见解，克服这些问题并获得精确的分割结果。