面向鲁棒医学图像分割的协同训练与潜空间数据增强
计算机视觉与模式识别
2021-07-05 v1 人工智能
机器学习
定量方法
摘要
基于深度学习的分割方法在部署时易受未知数据分布偏移的影响，例如由不同扫描仪引起的图像外观或对比度变化、意外的成像伪影等。本文提出一种用于训练图像分割模型的协同框架，以及一种用于生成困难样本的潜空间增强方法。两项贡献均在有限数据下提升了模型的泛化能力与鲁棒性。协同训练框架由快速思考网络（FTN）与慢速思考网络（STN）组成。FTN 学习解耦的图像特征与形状特征，用于图像重建与分割任务；STN 学习形状先验以进行分割的校正与细化。两个网络以协同方式进行训练。潜空间增强通过在通道维与空间维上掩蔽解耦的潜空间，生成具有挑战性的训练样本。我们在公开心脏成像数据集上进行了大量实验。仅使用来自单一站点的 10 个受试者进行训练，我们即展现出相较于强基线方法更优的跨站点分割性能，以及对多种未知成像伪影增强的鲁棒性。特别地，采用潜空间数据增强的协同训练相较标准训练方法在平均 Dice 分数上取得了 15% 的提升。
引用
@article{arxiv.2107.01079,
title = {Cooperative Training and Latent Space Data Augmentation for Robust Medical Image Segmentation},
author = {Chen Chen and Kerstin Hammernik and Cheng Ouyang and Chen Qin and Wenjia Bai and Daniel Rueckert},
journal= {arXiv preprint arXiv:2107.01079},
year = {2021}
}
备注
MICCAI 2021