一种用于监督深度神经网络进行视网膜血管分割的无标注方法
计算机视觉与模式识别
2017-05-02 v2
摘要
在眼底成像中分割血管在医学诊断中起着重要作用。已有许多算法被提出。尽管深度神经网络近年来吸引了计算机视觉界的极大关注，并且在其应用于视网膜血管分割方面已做了若干新颖工作，但大多数基于监督学习，需要大量标注数据，而这类数据稀缺且获取昂贵。在本工作中，我们利用深度卷积神经网络(DCNN)在特征学习中的能力来实现这一终极目标。DCNN的高效特征学习启发了我们新颖的方法：用自动生成的样本训练网络，以在真实世界眼底图像上获得令人满意的性能。为此，我们设计了一组从领域特定先验知识抽象出的规则来生成这些样本。我们认为，凭借DCNN在特征学习中的高效性，可通过利用先验知识构建训练数据集来实现该目标，无需人工标注。该方法使我们能够在无标注情况下利用监督学习的优势。我们还构建了一个朴素的DCNN模型来测试它。在眼底成像标准基准上的结果表明，它与最先进方法具有竞争力，这暗示了利用DCNN特征学习能力的潜在途径。
引用
@article{arxiv.1704.07502,
title = {A Labeling-Free Approach to Supervising Deep Neural Networks for Retinal Blood Vessel Segmentation},
author = {Yongliang Chen},
journal= {arXiv preprint arXiv:1704.07502},
year = {2017}
}
备注
10 pages, 8 figures, 3 tables, forbidden work, correct the citation typo of [29]