BT-Unet：一种基于 Barlow Twins 与 U-Net 模型的生物医学图像分割自监督学习框架
图像与视频处理
2022-03-25 v3 计算机视觉与模式识别
摘要
深度学习为生物医学图像分割带来了最深远的贡献，使医学成像中的勾画过程自动化。为完成该任务，模型需要使用大量标注或标记数据进行训练，这些数据以二值掩码突出感兴趣区域。然而，为如此海量数据高效生成标注需要专业的生物医学分析人员及大量人工劳动。这是一项繁琐且昂贵的工作，同时也易受人误影响。为解决此问题，提出一种自监督学习框架 BT-Unet，其使用 Barlow Twins 方法以无监督方式通过冗余缩减预训练 U-Net 模型的编码器以学习数据表示。随后，对完整网络进行微调以执行实际分割。BT-Unet 框架可使用有限数量的标注样本与大量未标注样本进行训练，而这正是真实世界问题中常见的情况。该框架在多个 U-Net 模型及多样数据集上，通过构建有限标注样本场景并使用标准评估指标进行了验证。通过详尽实验试次，观察到 BT-Unet 框架在此类情形下以显著幅度提升了 U-Net 模型的性能。
引用
@article{arxiv.2112.03916,
title = {BT-Unet: A self-supervised learning framework for biomedical image segmentation using Barlow Twins with U-Net models},
author = {Narinder Singh Punn and Sonali Agarwal},
journal= {arXiv preprint arXiv:2112.03916},
year = {2022}
}