面向复杂场景配准与医学图像少样本分割的深度互补联合模型
计算机视觉与模式识别
2020-08-04 v1
摘要
基于深度学习的医学图像配准与分割联合模型利用互补性（来自配准的增广数据或弱监督数据、来自分割的区域约束）在复杂场景与少样本情形下带来相互提升。然而，联合模型的进一步采用受到阻碍：1）增广数据的多样性降低，限制了分割的进一步提升；2）弱监督数据中的未对齐区域干扰训练过程；3）少样本情形下缺乏基于标签的区域约束限制了配准性能。我们提出了一种新颖的深度互补联合模型（DeepRS）用于复杂场景配准与少样本分割。我们在配准中嵌入扰动因子以增加形变活跃度，从而维持增广数据多样性。我们采用逐像素判别器提取对齐置信度图，其突出弱监督数据中的已对齐区域，从而通过加权抑制未对齐区域的干扰。分割模型的输出被用于实现基于深度的区域约束，进而缓解标签需求并带来精细配准。在 MM-WHS 2017 挑战赛 CT 数据集上的大量实验表明，我们的 DeepRS 具有超越现有最先进模型的显著优势。
引用
@article{arxiv.2008.00710,
title = {Deep Complementary Joint Model for Complex Scene Registration and Few-shot Segmentation on Medical Images},
author = {Yuting He and Tiantian Li and Guanyu Yang and Youyong Kong and Yang Chen and Huazhong Shu and Jean-Louis Coatrieux and Jean-Louis Dillenseger and Shuo Li},
journal= {arXiv preprint arXiv:2008.00710},
year = {2020}
}