面向半监督腺体分割的成对关系学习
计算机视觉与模式识别
2020-08-07 v1 机器学习
图像与视频处理
摘要
在组织学组织图像上准确且自动化的腺体分割是腺癌计算机辅助诊断中一项基础但具有挑战性的任务。尽管深度学习模型应用广泛，其总是需要大量密集标注的训练图像，而由于组织学图像标注相关的繁重劳动与专家成本，这些图像难以获取。本文提出基于成对关系的半监督（PRS^2）模型用于组织学图像上的腺体分割。该模型由分割网络（S-Net）与成对关系网络（PR-Net）组成。S-Net 在标注数据上训练以进行分割，PR-Net 以无监督方式在标注与未标注数据上训练，通过利用特征空间中每对图像间的语义一致性来增强其图像表示能力。由于两网络共享编码器，PR-Net 学到的图像表示能力可迁移至 S-Net 以提升其分割性能。我们还设计了目标级 Dice 损失以解决接触腺体所引起的问题，并将其与另两个损失函数组合用于 S-Net。我们在 GlaS 数据集上与五种近期方法、在 CRAG 数据集上与三种近期方法进行了对比评估。我们的结果不仅证明了所提 PR-Net 与目标级 Dice 损失的有效性，也表明我们的 PRS^2 模型在两个基准上均达到了最先进的腺体分割性能。
引用
@article{arxiv.2008.02699,
title = {Pairwise Relation Learning for Semi-supervised Gland Segmentation},
author = {Yutong Xie and Jianpeng Zhang and Zhibin Liao and Chunhua Shen and Johan Verjans and Yong Xia},
journal= {arXiv preprint arXiv:2008.02699},
year = {2020}
}
备注
Accepted by MICCAI2020