基于混合监督的深度学习用于脑肿瘤分割
计算机视觉与模式识别
2019-08-21 v1 机器学习
图像与视频处理
机器学习
摘要
当前大多数 SOTA 的肿瘤分割方法基于在人工勾画图像上训练的机器学习模型。此类训练数据尤为昂贵，因为肿瘤的人工描画不仅耗时，还需医学专业知识。另一方面，带有全局标签（指示肿瘤存在与否）的图像信息量较少，但获取成本大幅降低。本文中，我们提出同时使用这两类训练数据（全标注与弱标注）来训练用于分割的深度学习模型。我们方法的思想是通过一个执行图像级分类的额外分支来扩展分割网络。该模型联合训练分割与分类任务，以利用弱标注图像中所含信息，同时防止网络学到与分割任务无关的特征。我们在 BRATS 2018 挑战赛的磁共振图像脑肿瘤分割这一困难任务上评估了我们的方法。我们表明，相较于标准监督学习，所提方法显著提升了分割性能。所观察到的提升与训练可用的弱标注与全标注图像之比成正比。
引用
@article{arxiv.1812.04571,
title = {Deep Learning with Mixed Supervision for Brain Tumor Segmentation},
author = {Pawel Mlynarski and Hervé Delingette and Antonio Criminisi and Nicholas Ayache},
journal= {arXiv preprint arXiv:1812.04571},
year = {2019}
}
备注
Submitted to SPIE Journal of Medical Imaging