PHiSeg：医学图像分割中不确定性的捕获
图像与视频处理
2019-07-29 v2 机器学习
机器学习
摘要
解剖结构和病灶的分割本质上具有歧义性。例如，结构边界可能不清晰可见，或不同专家可能具有不同的标注风格。当前绝大多数最先进的方法未考虑此类歧义，而是学习从图像到分割的单一映射。在本工作中，我们提出一种新方法以建模给定输入图像时分割的条件概率分布。我们推导了一个层次化概率模型，其中独立的潜变量负责在不同分辨率上建模分割。该模型中的推断可使用变分自编码器框架高效执行。我们表明，与近期相关工作相比，我们所提方法无论在使用单个还是多个标注者标注进行训练时，都能用于生成显著更真实且更多样的分割样本。
引用
@article{arxiv.1906.04045,
title = {PHiSeg: Capturing Uncertainty in Medical Image Segmentation},
author = {Christian F. Baumgartner and Kerem C. Tezcan and Krishna Chaitanya and Andreas M. Hötker and Urs J. Muehlematter and Khoschy Schawkat and Anton S. Becker and Olivio Donati and Ender Konukoglu},
journal= {arXiv preprint arXiv:1906.04045},
year = {2019}
}
备注
Accepted to MICCAI 2019