基于深度异方差多任务网络从弱标签数据进行少样本脑分割
机器学习
2019-04-05 v1 图像与视频处理
机器学习
摘要
在应用于医学图像分割的监督学习中，对大量标签数据的需求通常不容置疑。尤其在脑解剖分割中，常使用数百或数千个弱标签体卷作为训练数据。本文首先观察到，对于许多脑结构，少量训练样本（n=9）使用 Freesurfer 6.0 弱标签加简单数据增强，即足以作为训练数据达到高性能，在 Adolescent Brain Cognitive Development 研究中约 4000 名 9-10 岁儿童的 T1 加权图像上，相较于 Freesurfer 在 28 个脑结构上实现了总体平均 Dice 系数 。我们随后考察了两类异方差网络作为改进分类结果的方法。Kendall 与 Gal 的已有方案利用蒙特卡洛推断学习预测每个预测的方差，得到总体平均 Dice 为 ，并在 25 个脑结构上显示出统计显著改进。同时，一种直接学习样本被错标概率的新型异方差网络实现了总体平均 Dice 为 ，并在所考虑脑结构中除一个外均显示出统计显著改进。该网络相关的损失函数可解释为执行一种习得标签平滑的形式，即仅在被判为不确定的地方平滑标签。
引用
@article{arxiv.1904.02436,
title = {Few-shot brain segmentation from weakly labeled data with deep heteroscedastic multi-task networks},
author = {Richard McKinley and Michael Rebsamen and Raphael Meier and Mauricio Reyes and Christian Rummel and Roland Wiest},
journal= {arXiv preprint arXiv:1904.02436},
year = {2019}
}