ErrorNet：从有限数据学习误差表示以改进血管分割
图像与视频处理
2020-02-04 v4 计算机视觉与模式识别
机器学习
摘要
深度卷积神经网络已被证明能有效地在各种医学影像模态中分割病灶与解剖结构。然而，在小样本量与域偏移问题存在时，这些模型常产生具有非直观分割错误的掩膜。本文提出一种称为 ErrorNet 的分割框架，其通过学习形状先验，向分割结果注入系统性分割错误，继而尝试预测所注入错误的反复过程来纠正这些分割错误。推理时，ErrorNet 通过将预测的误差图加到初始分割结果上来纠正分割错误。ErrorNet 相较于基于域适应或基于 CRF 的后处理方案具有优势，因其既不需要特定域的参数调优，也不需要来自目标域的任何数据。我们利用五个公开数据集评估 ErrorNet 在视网膜血管分割任务上的表现。所选数据集在规模与患者群体上不同，使我们能评估 ErrorNet 在处理小样本量与域偏移问题上的有效性。我们的实验表明，在上述数据集局限存在时，ErrorNet 优于基础分割模型、基于 CRF 的后处理方案以及一种域适应方法，且性能增益更大。
引用
@article{arxiv.1910.04814,
title = {ErrorNet: Learning error representations from limited data to improve vascular segmentation},
author = {Nima Tajbakhsh and Brian Lai and Shilpa Ananth and Xiaowei Ding},
journal= {arXiv preprint arXiv:1910.04814},
year = {2020}
}
备注
Accepted in ISBI 2019. The supplementary material is only available in the arxiv version of our paper