一种基于上下文的深度学习不平衡医学图像分割方法
图像与视频处理
2020-01-09 v1 计算机视觉与模式识别
摘要
自动化医学图像分割是许多医疗流程中的重要步骤。近来，深度学习网络已广泛用于各类医学图像分割任务，其中 U-Net 与生成对抗网络（GANs）是常用的一些模型。前景—背景类不平衡在医学图像中常见，而 U-Net 因其交叉熵（CE）目标函数难以处理类不平衡。类似地，GAN 也受类不平衡影响，因为判别器审视整幅图像以将其分类为真实或伪造。由于判别器本质上是深度学习分类器，它无法正确识别小结构中的细微变化。为解决这些问题，我们为 U-Net 提出一种新颖的基于上下文的 CE 损失函数，以及一种新颖架构 Seg-GLGAN。基于上下文的 CE 是整幅图像上获得的 CE 与其感兴趣区域（ROI）上获得的 CE 的线性组合。在 Seg-GLGAN 中，我们引入一种新颖的上下文判别器，将整幅图像及其 ROI 作为输入，从而强化局部上下文。我们使用两个具挑战性的不平衡数据集 PROMISE12 和 ACDC 进行了充分实验。我们观察到，与多种基线方法相比，我们的方法所得分割结果给出了更好的分割指标。
引用
@article{arxiv.2001.02387,
title = {A context based deep learning approach for unbalanced medical image segmentation},
author = {Balamurali Murugesan and Kaushik Sarveswaran and Vijaya Raghavan S and Sharath M Shankaranarayana and Keerthi Ram and Mohanasankar Sivaprakasam},
journal= {arXiv preprint arXiv:2001.02387},
year = {2020}
}
备注
Accepted in ISBI 2020