用于解剖学合理分割的上下文感知虚拟对抗训练
计算机视觉与模式识别
2021-07-14 v2
摘要
尽管基于深度神经网络的半监督分割方法具有出色的精度，其预测仍可能被临床医生视为解剖学上不可能的，例如包含孔洞或断开区域。为解决该问题，我们提出一种上下文感知虚拟对抗训练（CaVAT）方法，用于生成解剖学上合理的分割。与仅关注精度的方法不同，我们的方法还考虑了复杂的拓扑约束（如连通性），这些约束难以在可微损失函数中建模。我们利用对抗训练生成违反约束的样本，使网络能够学会在新样本上避免此类错误预测，并采用 Reinforce 算法处理不可微的分割约束。所提方法提供了一种通用且高效的方式，可在任意分割网络之上添加任意约束。在两个临床相关数据集上的实验表明，我们的方法生成的分割在区域连通性方面既准确又符合解剖学合理性。
引用
@article{arxiv.2107.05532,
title = {Context-aware virtual adversarial training for anatomically-plausible segmentation},
author = {Ping Wang and Jizong Peng and Marco Pedersoli and Yuanfeng Zhou and Caiming Zhang and Christian Desrosiers},
journal= {arXiv preprint arXiv:2107.05532},
year = {2021}
}
备注
This paper is accepted at MICCAI2021