用于有限数据下学习全卷积网络的错误纠正提升方法
计算机视觉与模式识别
2017-07-04 v2
摘要
训练深度全卷积神经网络（F-CNNs）用于语义图像分割需要大量标注数据。尽管在医学应用中存在大型未标注图像数据集，但人工标注数据的获取非常有限。我们提出利用现有工具在初始未标注数据上自动创建辅助标签，并将其用于预训练。对于随后使用人工标注数据对网络进行微调，我们引入错误纠正提升（ECB），其强调对精度较低类别的参数更新。此外，我们提出SkipDeconv-Net（SD-Net），一种用于脑分割的新型F-CNN架构，其将跳跃连接与上池化策略结合用于上采样。SD-Net解决了严重类别不平衡和边界处错误的挑战。应用于全脑MRI T1扫描分割，我们利用FreeSurfer在大型数据集上生成辅助标签，并在两个带人工标注的数据集上微调。我们的结果表明，加入辅助标签和ECB带来了显著改进。SD-Net分割一个3D扫描仅需7秒，而最接近的多图谱分割方法需要30小时，同时达到相似性能。它还优于最新的最先进F-CNN模型。
引用
@article{arxiv.1705.00938,
title = {Error Corrective Boosting for Learning Fully Convolutional Networks with Limited Data},
author = {Abhijit Guha Roy and Sailesh Conjeti and Debdoot Sheet and Amin Katouzian and Nassir Navab and Christian Wachinger},
journal= {arXiv preprint arXiv:1705.00938},
year = {2017}
}
备注
Accepted at MICCAI 2017