GASNet：用于 COVID-19 病灶分割的弱监督框架
图像与视频处理
2020-10-20 v1 计算机视觉与模式识别
机器学习
摘要
在胸部 CT 体数据中分割感染区域对于 COVID-19 患者的进一步诊断和治疗具有重要意义。由于病灶形状复杂且外观多变，训练病灶分割网络通常需要大量体素级标注样本，这是开发基于深度学习的医学图像分割算法的主要瓶颈。本文通过将生成对抗训练过程嵌入分割网络，提出了一种弱监督病灶分割框架，称为 GASNet。GASNet 通过分割器优化以分割 COVID-19 CT 的病灶区域，并通过生成器将异常外观替换为生成的正常外观，从而使复原的 CT 体数据在判别器下与健康的 CT 体数据难以区分。GASNet 由许多健康和 COVID-19 受试者的胸部 CT 体数据监督，无需体素级标注。在三个公共数据库上的实验表明，当仅使用少至一个体素级标注样本时，GASNet 的性能可与在数十个体素级标注样本上训练的全监督分割算法相媲美。
引用
@article{arxiv.2010.09456,
title = {GASNet: Weakly-supervised Framework for COVID-19 Lesion Segmentation},
author = {Zhanwei Xu and Yukun Cao and Cheng Jin and Guozhu Shao and Xiaoqing Liu and Jie Zhou and Heshui Shi and Jianjiang Feng},
journal= {arXiv preprint arXiv:2010.09456},
year = {2020}
}
备注
10 pages, 11 figures