边界与熵驱动的眼底图像分割对抗学习
计算机视觉与模式识别
2019-07-29 v2
摘要
对不同数据集中的眼底图像进行视盘（OD）和视杯（OC）的精确分割对于青光眼疾病筛查至关重要。跨域差异（域偏移）阻碍了深度神经网络在不同域数据集上的泛化能力。在这项工作中，我们提出了一种无监督域适应框架，称为边界与熵驱动对抗学习（BEAL），以提升OD和OC的分割性能，尤其是在边界模糊的区域。具体而言，我们提出的BEAL框架利用对抗学习促使目标域的边界预测和掩码概率熵图（不确定性图）与源域的相似，从而生成更精确的边界并抑制OD和OC分割中的高不确定性预测。我们在两个公开的视网膜眼底图像数据集（Drishti-GS和RIM-ONE-r3）上评估了所提出的BEAL框架，实验结果表明我们的方法优于当前最先进的无监督域适应方法。代码将发布于https://github.com/EmmaW8/BEAL。
引用
@article{arxiv.1906.11143,
title = {Boundary and Entropy-driven Adversarial Learning for Fundus Image Segmentation},
author = {Shujun Wang and Lequan Yu and Kang Li and Xin Yang and Chi-Wing Fu and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1906.11143},
year = {2019}
}
备注
Accepted at MICCAI 2019