基于去噪自编码器后处理的解剖学先验图像分割方法
图像与视频处理
2019-06-07 v1 计算机视觉与模式识别
机器学习
摘要
深度卷积神经网络（CNN）在医学图像解剖学分割中已被证明具有极高准确性。然而，一些最流行的图像分割 CNN 架构仍依赖后处理策略（如条件随机场）将连通性约束纳入所得掩码。这些后处理步骤基于物体通常连续、因而邻近像素应赋予相同物体标签的假设。即便一般而言成立，这些方法并未提供直接方式来融入更复杂的先验，如凸性或任意形状限制。本工作中我们提出 Post-DAE，一种基于仅使用分割掩码训练的去噪自编码器（DAE）的后处理方法。我们学习一个解剖学合理分割的低维空间，并将其用作后处理步骤，对任意分割方法所得掩码施加形状约束。我们的方法独立于图像模态与强度信息，因其仅使用分割掩码训练。这使得可利用无需与强度图像配对的解剖学分割，令方法极为灵活。我们在 X 射线图像解剖学分割上的实验结果表明，Post-DAE 能以几乎无额外计算时间，将多种标准方法得到的含噪及不正确分割掩码通过带回可行空间而改善其质量。
引用
@article{arxiv.1906.02343,
title = {Anatomical Priors for Image Segmentation via Post-Processing with Denoising Autoencoders},
author = {Agostina J. Larrazabal and Cesar Martinez and Enzo Ferrante},
journal= {arXiv preprint arXiv:1906.02343},
year = {2019}
}
备注
Accepted for publication in MICCAI 2019