FeTA 2021挑战赛的部分监督方法
图像与视频处理
2021-11-05 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
本文描述了我们参与FeTA挑战赛2021（队伍名称：TRABIT）的方法。卷积神经网络用于医学图像分割的性能被认为与训练数据的数量正相关。FeTA挑战赛不限制参与者仅使用所提供的训练数据，也允许使用其他公开可用来源。然而，开放获取的胎儿脑数据仍然有限。因此，一种有利策略是将训练数据扩展到更广泛的围产期脑成像来源。除FeTA挑战赛数据外，当前公开可用的围产期脑MRI涵盖正常与病理性胎儿图谱以及新生儿扫描。但是，不同数据集中分割的围产期脑MRI通常带有不同的标注协议。这使得组合这些数据集来训练深度神经网络具有挑战性。我们最近提出了一族用于部分监督学习的损失函数，即标签集损失函数。标签集损失函数允许使用部分分割图像（即某些类别可能被归并为超类的分割）训练深度神经网络。我们提议使用标签集损失函数，通过合并多个公开可用数据集来提升最先进深度学习流程在多类胎儿脑分割中的性能。为促进泛化性，我们的方法不引入任何额外的超参数调优。
引用
@article{arxiv.2111.02408,
title = {Partial supervision for the FeTA challenge 2021},
author = {Lucas Fidon and Michael Aertsen and Suprosanna Shit and Philippe Demaerel and Sébastien Ourselin and Jan Deprest and Tom Vercauteren},
journal= {arXiv preprint arXiv:2111.02408},
year = {2021}
}
备注
Accepted as a poster at the MICCAI 2021 Perinatal, Preterm and Paediatric Image Analysis (PIPPI) workshop