对抗合成学习实现无需目标模态真值标注的分割
计算机视觉与模式识别
2017-12-22 v1
摘要
缺乏泛化能力是基于深度学习的分割的一项关键局限。通常，当在不同成像模态中分割器官或从不同疾病队列中分割异常器官时，需要手动标注新的训练图像。若能将一个模态（如 MRI）的手动标注复用于训练面向新模态（如 CT）的分割网络，则可减轻手动工作量。此前已提出两阶段方法，使用循环生成对抗网络(CycleGAN)合成目标模态的训练图像，然后利用合成图像独立训练分割网络。然而，这两个独立阶段未利用合成与分割之间的互补信息。在此，我们提出了一种新颖的端到端合成与分割网络(EssNet)，以在无 CT 手动标注的情况下，同时实现非配对 MRI 到 CT 图像合成与 CT 脾大分割。端到端 EssNet 取得的中位数 Dice 相似系数(0.9188)显著高于两阶段策略(0.8801)，甚至高于使用了 CT 手动标注的经典多图谱分割(0.9125)与 ResNet 方法(0.9107)。
引用
@article{arxiv.1712.07695,
title = {Adversarial Synthesis Learning Enables Segmentation Without Target Modality Ground Truth},
author = {Yuankai Huo and Zhoubing Xu and Shunxing Bao and Albert Assad and Richard G. Abramson and Bennett A. Landman},
journal= {arXiv preprint arXiv:1712.07695},
year = {2017}
}
备注
IEEE International Symposium on Biomedical Imaging (ISBI) 2018