基于迭代生成对抗网络标签精炼以提升视网膜血管分割
图像与视频处理
2019-12-06 v1
摘要
最先进的视网膜血管分割方法主要依赖人工标注的血管作为监督训练的真值。人工标注的质量在分割精度中起着至关重要的作用，而实践中其质量可能差异很大，进而会严重误导训练过程并限制分割精度。本文旨在通过对数据集中低质量人工标注进行精炼，来“净化”任何由不同观察者标注数据组成的综合训练集。为此，我们提出了一种基于迭代生成对抗网络（GAN）的新型标签精炼方法。我们的迭代 GAN 基于一组高质量块（即不同观察者间人工标注一致）与带有噪声人工血管标注的低质量块进行训练。我们设计了一种简单而有效的方法来模拟具有符合人类观察者真实噪声分布的低质量块。为评估方法有效性，我们使用由本文方法获得的净化数据集训练了四种最先进的视网膜血管分割模型，并将其性能与基于原始含噪数据集训练的模型进行比较。在 DRIVE 与 CHASE_DB1 两个数据集上的实验结果表明，使用本文方法的净化数据集时，四种模型的精度均有明显提升。
引用
@article{arxiv.1912.02589,
title = {Label Refinement with an Iterative Generative Adversarial Network for Boosting Retinal Vessel Segmentation},
author = {Yunqiao Yang and Zhiwei Wang and Jingen Liu and Kwang-Ting Cheng and Xin Yang},
journal= {arXiv preprint arXiv:1912.02589},
year = {2019}
}