利用自编码器结合标注与未标注数据实现三维医学图像分割——以CT图像中肝脏分割为例
图像与视频处理
2020-03-20 v1 计算机视觉与模式识别
摘要
利用卷积神经网络（CNN）对解剖结构进行自动分割构成了医学图像分析研究的很大一部分。多数基于 CNN 的方法依赖大量标注数据以妥善训练。标注医学数据往往稀缺，而未标注数据更易获得。这需要超越传统监督学习、并利用未标注数据完成分割任务的方法。本研究考察了自编码器提取特征以改进 CNN 分割的潜力。考虑了两种策略。其一为迁移学习，将预训练的自编码器特征用作分割网络中卷积层的初始化。其二为多任务学习，通过输入重建同时进行并优化分割与特征提取任务。使用卷积自编码器从未标注数据提取特征，并使用多尺度全卷积 CNN 执行 CT 图像中三维肝脏分割这一目标任务。对两种策略，均使用不同数量的标注与未标注训练数据进行了实验。与从头训练相比，所提学习策略在 的实验中改善了结果，并在未标注与标注训练数据比约为 和 时分别将 dice 系数提高至多 和 。结果表明，两种训练策略在未标注与标注训练数据占比较大时更为有效。
引用
@article{arxiv.2003.07923,
title = {3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images},
author = {Cheryl Sital and Tom Brosch and Dominique Tio and Alexander Raaijmakers and Jürgen Weese},
journal= {arXiv preprint arXiv:2003.07923},
year = {2020}
}