具有风格的可解释语义医学图像分割
图像与视频处理
2023-03-13 v1 计算机视觉与模式识别
机器学习
摘要
基于深度学习的语义医学图像分割近来取得了高精度，使其在放疗等临床问题中颇具吸引力。然而，高质量语义标注数据的缺乏仍是一项挑战，导致模型对输入数据的微小偏移脆弱。多数工作需额外数据用于半监督学习，且缺乏训练过程中对训练数据分布边界的可解释性，而这对于模型在临床实践中的部署至关重要。我们提出一种全监督生成框架，通过在训练同时构建可探索流形，仅以有限标注数据即可实现可泛化分割。该方法生成医学图像风格，并与由分割任务驱动的判别器配对，纳入端到端对抗训练。判别器在训练数据允许范围内对微小域偏移具有泛化能力，生成器利用分割过程中学到的输入特征流形自动多样化训练样本。与此同时，判别器在图像多样化过程中分别监督语义内容与细粒度特征以引导流形学习。训练后，可由生成器可视化所学流形以解释模型局限。在公开可用全语义骨盆数据集上的实验表明，我们的方法相比其他最先进方法对偏移更具泛化性，且通过可探索流形更具可解释性。
引用
@article{arxiv.2303.05696,
title = {Explainable Semantic Medical Image Segmentation with Style},
author = {Wei Dai and Siyu Liu and Craig B. Engstrom and Shekhar S. Chandra},
journal= {arXiv preprint arXiv:2303.05696},
year = {2023}
}