用于脑肿瘤分割的组合式表示学习
计算机视觉与模式识别
2023-10-11 v1
摘要
对于脑肿瘤分割，给定大量数据与像素级标注时，深度学习模型可达到人类专家水平。然而，为大量数据获取像素级标注的昂贵工作并非总可行，且在低标注数据情形下性能常大幅降低。为应对此挑战，我们调整了一种混合监督框架 vMFNet，利用无监督学习、弱监督以及非穷尽像素级病理标签来学习鲁棒的组合式表示。具体地，我们使用 BraTS 数据集模拟一组 2 点专家病理标注，指示每个 MRI 体积中肿瘤（或肿瘤子区域：瘤周水肿、GD 增强肿瘤、坏死/非增强肿瘤）的顶片与底片，并由此构建指示图像中肿瘤（或肿瘤子区域）存在与否的弱图像级标签。随后，vMFNet 通过可学习且组合式的 vMF 核（其捕捉图像中结构信息）以 von-Mises-Fisher (vMF) 分布对编码图像特征建模。我们表明，使用大量弱标注数据但仅少量全标注数据即可取得良好肿瘤分割性能。有趣的是，即便仅给予关于病理（肿瘤）的监督，组合式表示中也会涌现解剖结构的学习。
引用
@article{arxiv.2310.06562,
title = {Compositional Representation Learning for Brain Tumour Segmentation},
author = {Xiao Liu and Antanas Kascenas and Hannah Watson and Sotirios A. Tsaftaris and Alison Q. O'Neil},
journal= {arXiv preprint arXiv:2310.06562},
year = {2023}
}
备注
Accepted by DART workshop, MICCAI 2023