ASC-Net：使用基于对抗的选择性切割网络进行无监督医学异常分割
图像与视频处理
2021-12-20 v1 人工智能
计算机视觉与模式识别
摘要
在本文中，我们考虑医学图像中的无监督异常分割问题。由于专家的像素级标注成本高昂，且存在大量未标注的正常和异常图像扫描，该问题近年来引起了越来越多的关注。我们引入了一个分割网络，该网络利用对抗学习将图像划分为两个切割部分，其中一部分落入用户提供的参考分布。这种基于对抗的选择性切割网络（ASC-Net）连接了基于聚类的深度分割和基于对抗的异常/新颖性检测算法这两个领域。我们的 ASC-Net 从正常和异常医学扫描中学习，在没有任何掩码监督的情况下分割医学扫描中的异常。我们在三个公开数据集（即用于脑肿瘤分割的 BraTS 2019、用于肝脏病灶分割的 LiTS 和用于脑病灶分割的 MS-SEG 2015）以及一个用于脑肿瘤分割的私有数据集上评估了这种无监督异常分割模型。与现有方法相比，我们的模型在无监督异常分割任务中展现出巨大的性能提升。尽管与监督学习算法相比仍有进一步提升性能的空间，但充满希望的实验结果和有趣的观察为构建利用用户定义知识的医学异常识别无监督学习算法提供了启示。
引用
@article{arxiv.2112.09135,
title = {ASC-Net: Unsupervised Medical Anomaly Segmentation Using an Adversarial-based Selective Cutting Network},
author = {Raunak Dey and Wenbo Sun and Haibo Xu and Yi Hong},
journal= {arXiv preprint arXiv:2112.09135},
year = {2021}
}
备注
Currently in Submission to Medical Image Analysis Journal. Extension of DOI - 10.1007/978-3-030-87240-3_23 with more details and experiments and indepth analysis. arXiv admin note: substantial text overlap with arXiv:2103.03664