分析生成模型在半监督医学图像分割中的有效性
计算机视觉与模式识别
2023-04-28 v1
摘要
图像分割在医学成像中十分重要,为诊断、治疗和干预中的临床决策提供有价值的定量信息。自动化分割的最先进水平仍是有监督学习,采用如 U-Net 之类的判别模型。然而,训练这些模型需要大量手动标注数据,而在实际医学应用中往往难以获取。在此类场景下,半监督学习(SSL)试图利用丰富的未标注数据来获得更鲁棒和可靠的模型。近来,生成模型已被提出用于语义分割,因为它们是 SSL 的一个有吸引力的选择。它们捕捉输入图像与输出标签图联合分布的能力提供了一种自然方式来融合未标注图像的信息。本文分析了诸如 SemanticGAN 之类的深度生成模型是否真正可行的替代方案,以应对具有挑战性的医学图像分割问题。为此,我们全面评估了当应用于大规模公开可用的胸部 X 光数据集时,判别与生成分割方法的分割性能、鲁棒性以及潜在的子群体差异。
引用
@article{arxiv.2211.01886,
title = {Analysing the effectiveness of a generative model for semi-supervised medical image segmentation},
author = {Margherita Rosnati and Fabio De Sousa Ribeiro and Miguel Monteiro and Daniel Coelho de Castro and Ben Glocker},
journal= {arXiv preprint arXiv:2211.01886},
year = {2023}
}
备注
Accepted at ML4H 2022