Post-DAE：基于去噪自编码器后处理的解剖学合理分割
计算机视觉与模式识别
2020-06-25 v1 机器学习
图像与视频处理
摘要
我们提出 Post-DAE，一种基于去噪自编码器（DAE）的后处理方法，用于提升任意生物医学图像分割算法的剖学合理性。一些最流行的分割方法（例如基于卷积神经网络或随机森林分类器的方法）引入了额外的后处理步骤，以确保所得掩码满足预期的连通性约束。这些方法在如下假设下运作：具有相似外观的连续像素应属于同一类。即便一般而言成立，该假设并未考虑更复杂的先验，如拓扑限制或凸性，而这些难以被轻易纳入这些方法。Post-DAE 利用了通过去噪自编码器进行流形学习的最新进展。首先，我们学习一个紧凑且非线性的嵌入，用于表示解剖学合理分割的空间。然后，给定任意方法获得的分割掩码，我们将其投影到所学流形上，重建其解剖学合理版本。所提方法使用未配对的分割掩码进行训练，这使其独立于强度信息与图像模态。我们在胸部 X 光和心脏磁共振图像的二值与多标签分割上进行了实验。我们展示了错误或含噪的分割掩码可如何使用 Post-DAE 得以改善。在几乎无额外计算代价下，我们的方法将错误分割带回可行空间。
引用
@article{arxiv.2006.13791,
title = {Post-DAE: Anatomically Plausible Segmentation via Post-Processing with Denoising Autoencoders},
author = {Agostina J Larrazabal and César Martínez and Ben Glocker and Enzo Ferrante},
journal= {arXiv preprint arXiv:2006.13791},
year = {2020}
}
备注
Accepted for publication in IEEE Transactions on Medical Imaging (IEEE TMI)