用于检测侵袭性前列腺癌的对抗网络
计算机视觉与模式识别
2017-02-28 v1
摘要
语义分割是医学图像分析的一个组成部分，深度学习领域的突破与此高度相关。然而，深度神经网络的大量可训练参数使其本质上需要大量数据，这一特性给医学影像界带来了严峻挑战。有趣的是，尽管语义分割的全卷积网络（FCN）的事实标准训练对预测标签图的“结构”是不可知的，但关于分割全局质量的宝贵互补信息却未被利用。为了挖掘这一潜力，我们提出利用一个对抗网络来区分专家标注和生成的标注，以训练用于语义分割的 FCN。由于该对抗器构成了在全局层面上什么构成良好分割的学习参数化，我们假设该方法对于复杂结构的小数据集上的分割任务具有特别的优势。这在我们的实验中得到了证实：我们利用 152 名患者的 MRI 图像学习分割侵袭性前列腺癌，并表明所提出的方案在侵袭性前列腺癌的检测灵敏度和 Dice 分数方面均优于事实标准。所取得的相对增益在小数据集极限下表现得尤为显著。
引用
@article{arxiv.1702.08014,
title = {Adversarial Networks for the Detection of Aggressive Prostate Cancer},
author = {Simon Kohl and David Bonekamp and Heinz-Peter Schlemmer and Kaneschka Yaqubi and Markus Hohenfellner and Boris Hadaschik and Jan-Philipp Radtke and Klaus Maier-Hein},
journal= {arXiv preprint arXiv:1702.08014},
year = {2017}
}
备注
8 pages, 3 figures; under review as a conference paper at MICCAI 2017