渐进式对抗语义分割

随着卷积神经网络等深度学习技术的出现，医学图像计算取得了快速进展。在完全监督条件下，深度卷积神经网络可以表现极为出色。然而，此类全监督模型在各种图像分析任务（例如医学图像的解剖或病灶分割）上的成功受限于海量标注数据的可用性。在样本量较小时，此类模型存在严重的数据偏差与较大的域偏移。为应对该问题，我们提出了一种新颖的端到端医学图像分割模型，即渐进式对抗语义分割 (PASS)，它无需在训练时要求任何特定域数据即可做出改进的分割预测。我们在 8 个公开的糖尿病视网膜病变和胸部 X 光数据集上进行的广泛实验，证实了 PASS 在域内与跨域评估中对血管和肺部的准确分割均有效。