DeepAtlas：图像配准与分割的联合半监督学习
计算机视觉与模式识别
2019-07-29 v2
摘要
深度卷积神经网络（CNN）是语义图像分割的最先进方法，但通常需大量标注训练样本。获取用于监督训练的医学图像3D分割结果困难且费力。受经典联合分割与配准方法启发，我们提出一种联合学习图像配准与图像分割网络的深度学习框架。与先前关于深度无监督图像配准的工作（其展示了通过图像分割进行弱监督的益处）不同，我们的方法在可用时利用现有分割，否则通过分割网络计算它们，从而提供相同的配准益处。反之，分割网络训练受益于配准，后者本质上提供了一种真实形式的数据增强。在膝关节和脑部3D磁共振（MR）图像上的实验表明，我们的方法实现了分割与配准精度的大幅同步提升（相较独立训练的网络），并允许以极有限训练数据训练高质量模型。具体而言，在一次拍摄场景（仅有一张手动标注图像）中，我们的方法在膝关节和脑部图像上分别将Dice分数（%）较无监督配准网络提高了2.7和1.8。
引用
@article{arxiv.1904.08465,
title = {DeepAtlas: Joint Semi-Supervised Learning of Image Registration and Segmentation},
author = {Zhenlin Xu and Marc Niethammer},
journal= {arXiv preprint arXiv:1904.08465},
year = {2019}
}
备注
To appear in MICCAI 2019