极端低标注下的视网膜血管分割：一种生成对抗网络方法
计算机视觉与模式识别
2018-09-06 v1
摘要
当代基于深度学习的医学图像分割算法需要领域专家数小时的标注劳动。这些渴求数据的深度模型在标注数据有限时表现欠佳。本文提出一种利用近期生成对抗网络（GAN）概念的数据高效学习框架；该框架使深度神经网络在低标注情形下显著优于其全监督对应模型。所提方法为我们先前工作的扩展，新增了一种无监督对抗损失和基于结构化预测的架构。据我们所知，本工作是首个基于对抗框架的结构化预测模型用于医学图像分割的演示。尽管具通用性，我们将该方法应用于视网膜眼底图像中血管的分割。我们在极端低标注预算（当代标注量的 0.8 - 1.6%）下开展实验。在 DRIVE 与 STARE 数据集上，所提方法以显著优势超越我们的先前方法及其他全监督基准模型，尤其在标注样本极少时。此外，我们的系统性消融研究给出了成功训练基于 GAN 的半监督算法（采用编码器-解码器风格网络架构）的一些关键经验。
引用
@article{arxiv.1809.01348,
title = {Retinal Vessel Segmentation under Extreme Low Annotation: A Generative Adversarial Network Approach},
author = {Avisek Lahiri and Vineet Jain and Arnab Mondal and Prabir Kumar Biswas},
journal= {arXiv preprint arXiv:1809.01348},
year = {2018}
}
备注
* First 3 authors contributed equally