用于模糊图像分割的概率 U-Net
计算机视觉与模式识别
2019-01-30 v4 机器学习
神经与进化计算
机器学习
摘要
许多现实视觉问题存在固有歧义。例如在临床应用中，仅从 CT 扫描可能无法明确哪块区域是癌组织。因此一组标注者通常会产生一组多样但合理的分割结果。我们考虑在给定输入下学习分割结果分布的任务。为此，我们提出一种生成式分割模型，基于 U-Net 与条件变分自编码器的结合，能够高效产生数量不限的合理假设。在肺部异常分割任务与 Cityscapes 分割任务上，我们表明本模型对可能出现的分割变体及其出现频率的复现显著优于已发表方法。这些模型在现实应用中可能产生重大影响，例如用作临床决策算法，考量多种合理语义分割假设以提供可能诊断并建议进一步操作以消除当前歧义。
引用
@article{arxiv.1806.05034,
title = {A Probabilistic U-Net for Segmentation of Ambiguous Images},
author = {Simon A. A. Kohl and Bernardino Romera-Paredes and Clemens Meyer and Jeffrey De Fauw and Joseph R. Ledsam and Klaus H. Maier-Hein and S. M. Ali Eslami and Danilo Jimenez Rezende and Olaf Ronneberger},
journal= {arXiv preprint arXiv:1806.05034},
year = {2019}
}
备注
Last update: added further details about the LIDC experiment. 11 pages for the main paper, 28 pages including appendix. 5 figures in the main paper, 18 figures in total, Advances in Neural Information Processing Systems (NeurIPS), 2018