基于生成对抗学习的少样本三维多模态医学图像分割
计算机视觉与模式识别
2018-10-30 v1
摘要
我们解决了在仅有极少标注样本可用于训练的情况下分割三维多模态医学图像的问题。利用对抗学习在半监督分割中的近期成功，我们提出了一种基于生成对抗网络(GANs)的新方法，以同时使用标注与未标注图像训练分割模型。所提方法通过学习判别由生成器网络获得的真实与伪造图块来防止过拟合。我们的工作将当前聚焦于二维单模态图像的对抗学习方法扩展至更具挑战性的三维多模态体数据场景。所提方法在iSEG-2017和MRBrainS 2013数据集的脑MRI分割问题上进行了评估。与以全监督方式训练的最先进分割网络相比，报告了显著的性能提升。此外，我们的工作对用于半监督分割的不同GAN架构进行了全面分析，表明特征匹配等近期技术比传统对抗训练方法产生更高性能。我们的代码公开于https://github.com/arnab39/FewShot_GAN-Unet3D。
引用
@article{arxiv.1810.12241,
title = {Few-shot 3D Multi-modal Medical Image Segmentation using Generative Adversarial Learning},
author = {Arnab Kumar Mondal and Jose Dolz and Christian Desrosiers},
journal= {arXiv preprint arXiv:1810.12241},
year = {2018}
}
备注
submitted to Medical Image Analysis for review