利用不精确标注的角膜共焦显微图像中神经纤维分割的空间约束深度卷积神经网络
计算机视觉与模式识别
2020-04-21 v1
摘要
语义图像分割是医学图像分析中最重要任务之一。大多数最先进的深度学习方法需要大量精确标注的样本用于模型训练。然而，精确标注难以获取，尤其在医学应用中。本文中，我们提出一种空间约束深度卷积神经网络(DCNN)，利用不精确标注的标签进行训练，以实现平滑且鲁棒的图像分割。在我们提出的方法中，图像分割被表述为一个图优化问题，由DCNN模型学习过程求解。待优化的代价函数由通过交叉熵度量计算的一元项和基于强制局部标签一致性的成对项组成。所提方法已基于角膜共焦显微(CCM)图像进行神经纤维分割评估，其中精确标注极难获取。基于合成数据集的定量结果与真实数据集的定性评估，所提方法即使使用不精确标签训练也取得了生成高质量分割结果的优越性能。
引用
@article{arxiv.2004.09443,
title = {A Spatially Constrained Deep Convolutional Neural Network for Nerve Fiber Segmentation in Corneal Confocal Microscopic Images using Inaccurate Annotations},
author = {Ning Zhang and Susan Francis and Rayaz Malik and Xin Chen},
journal= {arXiv preprint arXiv:2004.09443},
year = {2020}
}
备注
4 pages, accepted for publication at IEEE International Symposium on Biomedical Imaging (ISBI) 2020