用于自监督血管分割的扩散对抗表示学习
图像与视频处理
2023-02-16 v2 计算机视觉与模式识别
机器学习
摘要
医学图像中的血管分割是血管疾病诊断与治疗规划的重要任务之一。尽管基于学习的分割方法已被广泛研究，但监督方法需要大量真值标签，且混乱的背景结构使神经网络难以以无监督方式分割血管。为此，我们引入了一种新颖的扩散对抗表示学习（DARL）模型，该模型将去噪扩散概率模型与对抗学习相结合，并将其应用于血管分割。具体而言，对于自监督血管分割，DARL利用扩散模块学习背景信号，使生成模块有效提供血管表示。此外，通过基于所提出的可切换空间自适应去归一化的对抗学习，我们的模型估计合成假血管图像以及血管分割掩码，这进一步使模型捕获血管相关语义信息。一旦所提模型训练完成，该模型单步生成分割掩码，并可应用于冠脉造影与视网膜图像的一般血管结构分割。在各种数据集上的实验结果表明，我们的方法显著优于现有的无监督与自监督血管分割方法。
引用
@article{arxiv.2209.14566,
title = {Diffusion Adversarial Representation Learning for Self-supervised Vessel Segmentation},
author = {Boah Kim and Yujin Oh and Jong Chul Ye},
journal= {arXiv preprint arXiv:2209.14566},
year = {2023}
}
备注
Accepted at ICLR 2023