ACCL：用于弱监督医学图像分割的对抗约束CNN损失
计算机视觉与模式识别
2020-05-04 v1
摘要
我们提出对抗约束CNN损失（ACCL），一种约束CNN损失方法的新范式，用于弱监督医学图像分割。在新范式中，先验知识通过参考掩码进行编码与刻画，并进一步通过对参考掩码的对抗学习对分割输出施加约束。与用于弱监督分割的伪标签方法不同，此类参考掩码用于训练判别器而非分割网络，因此无需与特定图像配对。我们的新范式不仅极大便利了将先验知识施加于网络输出，还通过对抗学习提供了更强且更高阶的约束，即分布逼近。我们进行了涉及不同医学模态、不同解剖结构、感兴趣对象的不同拓扑、不同层级先验知识以及具有不同标注比例的弱监督标注的广泛实验来评估我们的ACCL方法。相较于尺寸约束CNN损失方法，我们始终取得了更优的分割结果，其中部分结果接近全监督结果，从而充分验证了方法的有效性与泛化性。具体而言，我们以0.65%的平均标注比例报告了75.4%的平均Dice分数，大幅超越先前最优方法即尺寸约束CNN损失方法11.4%。我们的代码已在 https://github.com/PengyiZhang/ACCL 公开。
引用
@article{arxiv.2005.00328,
title = {ACCL: Adversarial constrained-CNN loss for weakly supervised medical image segmentation},
author = {Pengyi Zhang and Yunxin Zhong and Xiaoqiong Li},
journal= {arXiv preprint arXiv:2005.00328},
year = {2020}
}