一种用于自适应图像分割的自编码器策略
图像与视频处理
2020-04-30 v1 计算机视觉与模式识别
摘要
深度神经网络是生物医学图像分割的有力工具。这些模型通常在重度监督下训练，依赖于图像与相应体素级标签的配对。然而，在大量病例上获取解剖区域的分割结果可能极其昂贵。因此，强烈需要不要求重度监督且能持续适应的基于深度学习的分割工具。本文中，我们提出将分割视为离散表示学习问题的新视角，并给出一种灵活且自适应的变分自编码器分割策略。我们的方法称为分割自编码器（Segmentation Auto-Encoder, SAE），它利用所有可用的无标签扫描，仅需要一个分割先验，该先验可以是一张未配对的分割图像。在实验中，我们将 SAE 应用于脑 MRI 扫描。结果表明，SAE 能生成高质量的分割，尤其在先验较好时。我们证明马尔可夫随机场先验比空间独立先验能显著改善结果。我们的代码发布于 https://github.com/evanmy/sae。
引用
@article{arxiv.2004.13903,
title = {An Auto-Encoder Strategy for Adaptive Image Segmentation},
author = {Evan M. Yu and Juan Eugenio Iglesias and Adrian V. Dalca and Mert R. Sabuncu},
journal= {arXiv preprint arXiv:2004.13903},
year = {2020}
}
备注
MIDL 2020