用于骨架级到像素级可调血管分割的标签对抗学习
图像与视频处理
2022-05-10 v1 计算机视觉与模式识别
机器学习
摘要
鱼与熊掌亦可兼得。光学相干断层扫描血管造影 (OCTA) 图像中的微血管分割仍具挑战性。骨架级分割展现清晰拓扑但无直径信息，而像素级分割展现清晰管径但拓扑性差。为弥补此差距，我们提出一种用于骨架级到像素级可调血管分割的新颖标签对抗学习 (LAL)。LAL 主要包括两项设计：标签对抗损失与可嵌入调节层。标签对抗损失在两种标签监督间建立对抗关系，而调节层调节网络参数以匹配不同对抗权重。此类设计能有效捕捉两种监督间的变化，使分割连续且可调。这一连续过程使我们能推荐具有清晰管径与拓扑的优质血管分割。实验结果表明，我们的结果优于当前公开数据集的人工标注与传统滤波效果。此外，该连续过程也可用于生成表示弱血管边界与噪声的不确定性图。
引用
@article{arxiv.2205.03646,
title = {Label Adversarial Learning for Skeleton-level to Pixel-level Adjustable Vessel Segmentation},
author = {Mingchao Li and Kun Huang and Zetian Zhang and Xiao Ma and Qiang Chen},
journal= {arXiv preprint arXiv:2205.03646},
year = {2022}
}