基于有限训练数据的迭代分割：在先心病中的应用
计算机视觉与模式识别
2018-09-13 v1
摘要
我们提出一种新的迭代分割模型，可从小型数据集中准确学习。一种常见方法是训练模型直接分割图像，这需要大量手动标注图像以捕捉队列中的解剖变异。相反，我们开发了一种在多个步骤中递归演化分割的分割模型，并将其实现为循环神经网络。我们通过优化演化中间步骤以及最终分割来学习模型参数。为此，我们通过输入不完整和/或不准确的分割及其推荐的下一步来训练我们的分割传播模型。我们的工作旨在缓解先心病（CHD）患者心脏MRI中心脏结构分割的难题，该类疾病涵盖一系列形态学变形和拓扑改变。我们在来自CHD患者的20张图像数据集上展示了该方法的优势，学习到一个能准确分割各个心腔和大血管的模型。与直接分割相比，该迭代方法对患有最严重CHD畸形的患者产生了更准确的分割。
引用
@article{arxiv.1809.04182,
title = {Iterative Segmentation from Limited Training Data: Applications to Congenital Heart Disease},
author = {Danielle F. Pace and Adrian V. Dalca and Tom Brosch and Tal Geva and Andrew J. Powell and Jürgen Weese and Mehdi H. Moghari and Polina Golland},
journal= {arXiv preprint arXiv:1809.04182},
year = {2018}
}
备注
Presented at the Deep Learning in Medical Image Analysis Workshop, MICCAI 2018