基于深度 Q 网络驱动的混合约束半监督学习与双 UNet 的 3D 超声导管分割
图像与视频处理
2020-06-29 v1 计算机视觉与模式识别
机器学习
摘要
3D 超声中的导管分割对计算机辅助心脏介入十分重要。然而，训练成功的深度卷积神经网络（CNN）分割导管需要大量标注图像，这昂贵且耗时。本文提出一种新颖的导管分割方法，其所需标注少于监督学习方法，却取得更优性能。我们的方案将深度 Q 学习作为预定位步骤，避免了体素级标注并高效定位目标导管。基于检测到的导管，应用基于块的 Dual-UNet 在 3D 体数据中分割导管。为以有限标注图像训练 Dual-UNet 并利用无标注图像信息，我们提出一种新颖的半监督方案，基于预测的混合约束来利用无标注图像。实验表明，所提方案取得了高于最先进半监督方法的性能，同时证明我们的方法能够从大规模无标注图像中学习。
引用
@article{arxiv.2006.14702,
title = {Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet},
author = {Hongxu Yang and Caifeng Shan and Alexander F. Kolen and Peter H. N. de With},
journal= {arXiv preprint arXiv:2006.14702},
year = {2020}
}
备注
Accepted by MICCAI 2020