ClamNet：使用对比学习与可变深度 U-Net 进行医学图像分割
计算机视觉与模式识别
2022-06-13 v1
摘要
U-Net 与全卷积网络（FCN）已成为医学图像语义分割的标准方法。Unet++ 作为 U-Net 的一种变体被提出，以解决 U-Net 和 FCN 面临的一些问题。Unet++ 提供了具有可变深度 U-Net 集成的网络，从而消除了专业人员估计任务最合适深度的需要。尽管 U-Net 及其所有变体（包括 Unet++）旨在提供能够在不需要大量标注数据的情况下良好训练的网络，但它们都没有试图完全消除对逐像素标注数据的需求。为每种待诊断疾病获取此类数据的成本很高，因此这类数据十分稀缺。在本文中，我们使用对比学习来训练 Unet++ 以对来自多种来源（包括磁共振成像（MRI）和计算机断层扫描（CT））的医学图像进行语义分割，且不需要逐像素标注。在此我们描述了所提出模型的架构和所使用的训练方法。这仍是一项进行中的工作，因此我们避免在本文中包含结果。结果和训练好的模型将在发表时或本文在 arXiv 上的后续版本中提供。
引用
@article{arxiv.2206.05225,
title = {ClamNet: Using contrastive learning with variable depth Unets for medical image segmentation},
author = {Samayan Bhattacharya and Sk Shahnawaz and Avigyan Bhattacharya},
journal= {arXiv preprint arXiv:2206.05225},
year = {2022}
}