利用GPU数据增强、无监督标签与IOU损失的CT器官分割
神经与进化计算
2018-11-29 v1 计算机视觉与模式识别
摘要
全卷积神经网络已在多种图像分割任务中取得优越性能。然而，其训练需要对大型数据集进行繁重的手动标注，以及由具有高带宽内存的并行处理器（如GPU）加速。我们表明，简单模型在CT图像器官分割上经广泛数据增强训练后可达到有竞争力的精度，该增强利用现有图形硬件对3D图像数据快速施加几何与光度变换。在3 mm^3 CT体数据上，我们的GPU实现比广泛使用的CPU版本（含通信开销）快2.6-8倍。我们也展示如何利用基本形态学操作自动生成训练标签，这些操作由3D傅里叶变换高效计算。我们将肺和骨的完全自动标签与肝、肾、膀胱的半自动标签结合，创建了130个标注CT扫描的数据集。为从数据增强获得最佳结果，我们的模型使用交并比（IOU）损失函数，它是Dice损失的近亲。我们讨论其数学性质并解释为何在不平衡分割任务中它优于常用的加权交叉熵损失。我们结论是不存在唯一的IOU损失函数，因为朴素版本属于具有同样本质性质的广泛函数族。当将数据增强与IOU损失结合时，我们的模型对每个器官的Dice得分达78-92%。训练好的模型、代码与数据集将公开，以推进医学影像研究。
引用
@article{arxiv.1811.11226,
title = {CT organ segmentation using GPU data augmentation, unsupervised labels and IOU loss},
author = {Blaine Rister and Darvin Yi and Kaushik Shivakumar and Tomomi Nobashi and Daniel L. Rubin},
journal= {arXiv preprint arXiv:1811.11226},
year = {2018}
}
备注
Journal submission pre-print