基于双向RNN的小样本学习用于三维医学图像分割
计算机视觉与模式识别
2020-11-20 v1 人工智能
摘要
在三维医学图像中分割感兴趣器官对于准确诊断和纵向研究是必要的。尽管使用深度学习的最新进展已在许多分割任务中显示出成功，但高性能需要大型数据集，且标注过程既耗时又费力。在本文中，我们提出了一种三维小样本分割框架，利用目标器官标注的有限训练样本进行准确器官分割。为此，设计了一个类U-Net网络，通过学习支持数据的二维切片与查询图像之间的关系来预测分割，包括一个双向门控循环单元（GRU），用于学习相邻切片间编码特征的一致性。此外，我们引入了一种迁移学习方法，通过在测试前使用从支持数据中任意采样的支持与查询数据更新模型，以适应目标图像和器官的特性。我们使用三个带有不同器官标注的三维CT数据集评估了所提出的模型。我们的模型比最先进的小样本分割模型性能显著改善，并且可与使用更多目标训练数据训练的全监督模型相媲美。
引用
@article{arxiv.2011.09608,
title = {Bidirectional RNN-based Few Shot Learning for 3D Medical Image Segmentation},
author = {Soopil Kim and Sion An and Philip Chikontwe and Sang Hyun Park},
journal= {arXiv preprint arXiv:2011.09608},
year = {2020}
}
备注
Submitted to AAAI21