用于不平衡医学图像语义分割的条件生成精炼对抗网络
计算机视觉与模式识别
2018-10-10 v1
摘要
我们提出了一种新的生成对抗架构，以缓解医学图像语义分割中的不平衡数据问题，其中大多数像素属于健康区域，少数属于病灶或非健康区域。用不平衡数据训练的模型往往偏向健康数据，这在临床应用中是不希望的，且这些网络预测的输出的精确率高而灵敏度低。我们提出了一种新的条件生成精炼网络，包含三个组件：生成网络、判别网络和精炼网络，通过集成学习来缓解不平衡数据问题。生成网络通过从判别网络根据真阳性图和真阴性图获得的反馈，在像素级别学习分割。另一方面，精炼网络学习预测生成网络产生的假阳性和假阴性掩码，这具有重要意义，尤其在医学应用中。最终的语义分割掩码由三个网络的输出组合而成。所提出的架构在 LiTS-2017 肝脏病灶分割以及两个显微细胞分割数据集 MDA231、PhC-HeLa 上展示了最先进的结果。我们在 BraTS-2017 脑肿瘤分割上取得了有竞争力的结果。
引用
@article{arxiv.1810.03871,
title = {Conditional Generative Refinement Adversarial Networks for Unbalanced Medical Image Semantic Segmentation},
author = {Mina Rezaei and Haojin Yang and Christoph Meinel},
journal= {arXiv preprint arXiv:1810.03871},
year = {2018}
}