基于一致性感知生成对抗网络的大脑卒中病灶分割
图像与视频处理
2021-12-06 v2 机器学习
摘要
最先进的深度学习方法在分割任务中已展现出令人印象深刻的性能。然而，这些方法的成功依赖于大量人工标注的掩膜，而收集这些掩膜昂贵且耗时。本文提出一种新颖的一致性感知生成对抗网络（CPGAN）用于半监督卒中病灶分割。所提出的 CPGAN 能够减少对全标注样本的依赖。具体而言，设计了一个相似度连接模块（SCM）来捕获多尺度特征的信息。所提出的 SCM 可通过加权求和在每个位置选择性地聚合特征。此外，将一致性感知策略引入所提模型，以增强对无标注数据的大脑卒中病灶预测效果。进一步地，构建了一个辅助网络以鼓励判别器学习在训练阶段常被遗忘的有意义特征表示。该辅助网络与判别器联合用于判定分割结果是真实还是伪造的。CPGAN 在 Anatomical Tracings of Lesions After Stroke (ATLAS) 上进行了评估。实验结果表明所提网络取得了优越的分割性能。在半监督分割任务中，仅使用五分之二标注样本的 CPGAN 优于某些使用全标注样本的方法。
引用
@article{arxiv.2008.13109,
title = {Brain Stroke Lesion Segmentation Using Consistent Perception Generative Adversarial Network},
author = {Shuqiang Wang and Zhuo Chen and Wen Yu and Baiying Lei},
journal= {arXiv preprint arXiv:2008.13109},
year = {2021}
}
备注
11 pages, 10 figures