LT-Net：通过可逆体素级对应学习实现标签传递的一次性医学图像分割
计算机视觉与模式识别
2020-03-23 v3
摘要
我们提出了一种一次性分割方法，以减轻医学图像人工标注的负担。其主要思想是将一次性分割视为经典的基于图谱的分割问题，即学习从图谱到未标注数据的体素级对应。随后，利用学习到的对应将图谱的分割标签传递到未标注数据。然而，由于图像间的真实对应通常不可用，学习系统必须得到充分监督以避免模式崩溃和收敛失败。为克服这一困难，我们借助在对应问题中广泛使用的正向-反向一致性，并额外学习从变形后的图谱回到原始图谱的反向对应。这种循环对应学习设计能够产生多种基于循环一致性的额外监督信号，使训练过程稳定，同时也提升了性能。我们通过充分的实验证明了我们的方法优于基于深度学习的一次性分割方法以及一种经典的多图谱分割方法。
引用
@article{arxiv.2003.07072,
title = {LT-Net: Label Transfer by Learning Reversible Voxel-wise Correspondence for One-shot Medical Image Segmentation},
author = {Shuxin Wang and Shilei Cao and Dong Wei and Renzhen Wang and Kai Ma and Liansheng Wang and Deyu Meng and Yefeng Zheng},
journal= {arXiv preprint arXiv:2003.07072},
year = {2020}
}
备注
Accepted to Proc. IEEE Conf. Computer Vision and Pattern Recognition 2020