方向梯度直方图遇上深度学习：一种用于医学图像语义分割的新型多任务深度网络
图像与视频处理
2022-04-06 v1 计算机视觉与模式识别
摘要
我们提出一种用于医学图像分割的新型深度多任务学习方法。现有多任务方法需要主任务与辅助任务的真值标注。与之相反，我们提出以无监督方式生成辅助任务的伪标签。为生成伪标签，我们利用方向梯度直方图（HOGs）——一种应用最广且强大的用于检测的手工特征。结合主任务的真值语义分割掩码与辅助任务的伪标签，我们学习深度网络的参数以联合最小化主任务与辅助任务的损失。我们采用两种方法在两个强大且广泛使用的语义分割网络UNet和U2Net上以多任务设置进行训练。为验证我们的假设，我们在两个不同的医学图像分割数据集上进行了实验。从广泛的定量与定性结果中，我们观察到该方法相比对应方法持续提升性能。此外，我们的方法是与MICCAI 2021联合举办的FetReg Endovis语义分割子挑战赛的冠军。
引用
@article{arxiv.2204.01712,
title = {Histogram of Oriented Gradients Meet Deep Learning: A Novel Multi-task Deep Network for Medical Image Semantic Segmentation},
author = {Binod Bhattarai and Ronast Subedi and Rebati Raman Gaire and Eduard Vazquez and Danail Stoyanov},
journal= {arXiv preprint arXiv:2204.01712},
year = {2022}
}