卷积网络中的解剖学先验用于无监督生物医学分割
计算机视觉与模式识别
2019-03-14 v1
摘要
我们考虑将生物医学图像分割为感兴趣的解剖区域的问题。我们具体解决频繁出现的场景：我们没有包含图像及其手动分割的配对训练数据。相反，我们采用未配对的分割图像来构建解剖学先验。关键的是，这些分割可以源自与当前任务不同的数据集和成像模态的成像数据。我们引入了一个生成概率模型，该模型通过卷积神经网络利用学习到的先验在无监督设置中计算分割。我们在结构脑MRI分割背景下使用包含超过14,000次扫描的多研究数据集对所提方法进行了实证分析。我们的结果表明，解剖学先验能够实现快速无监督分割，而使用标准卷积网络通常无法做到。解剖学先验的集成可以促进基于CNN的解剖分割在一系列新颖临床问题中的应用，其中很少或没有可用标注，因此标准网络不可训练。代码可在 http://github.com/adalca/neuron 免费获取。
引用
@article{arxiv.1903.03148,
title = {Anatomical Priors in Convolutional Networks for Unsupervised Biomedical Segmentation},
author = {Adrian V. Dalca and John Guttag and Mert R. Sabuncu},
journal= {arXiv preprint arXiv:1903.03148},
year = {2019}
}
备注
Presented at CVPR 2018. IEEE CVPR proceedings pp. 9290-9299