作为使用深度神经网络进行类不可知分割线索的极值点导出置信图
计算机视觉与模式识别
2019-06-07 v1 机器学习
摘要
为使感兴趣解剖结构的分割过程自动化，我们可以从先前标注的数据中学习一个模型。基于学习的方法利用标注训练一个模型，试图在新数据集上模仿专家标注。尽管此类方法取得了巨大进展，医学图像标注仍是一项耗时且昂贵的任务。本文中，我们评估了极值点在分割学习中的效用。具体而言，我们提出一种新方法，从极值点计算置信图，定量编码由极值点导出的先验。我们将该置信图作为线索，基于ResNet-101和PSP模块训练深度神经网络，以开发一个类不可知分割模型，其性能优于采用极值点作为线索的当前最优方法。此外，我们通过使用一个实际用例评估：用我们的模型为监督学习（U-Net）生成训练数据，观察到U-Net在使用生成数据或真值数据训练时表现相当。这些发现表明，使用线索训练的模型可用于生成可靠的训练数据。
引用
@article{arxiv.1906.02421,
title = {Extreme Points Derived Confidence Map as a Cue For Class-Agnostic Segmentation Using Deep Neural Network},
author = {Shadab Khan and Ahmed H. Shahin and Javier Villafruela and Jianbing Shen and Ling Shao},
journal= {arXiv preprint arXiv:1906.02421},
year = {2019}
}