SegAN：用于医学图像分割的带多尺度 $L_1$ 损失的对抗网络
计算机视觉与模式识别
2018-05-08 v2
摘要
受经典生成对抗网络 (GAN) 启发，我们提出了一种新颖的端到端对抗神经网络，称为 SegAN，用于医学图像分割任务。由于图像分割需要密集的像素级标注，经典 GAN 判别器的单一标量真/假输出可能在产生稳定且充分的梯度反馈给网络方面效率低下。相反，我们使用全卷积神经网络作为分割器来生成分割标签图，并提出了一种带有多尺度 损失函数的新型对抗评判网络，以迫使评判器和分割器学习捕获像素间长程和短程空间关系的全局与局部特征。在我们的 SegAN 框架中，分割器和评判器网络以极小极大博弈中的交替方式训练：评判器将一对图像 (原始图像 预测标签图，原始图像 真实标签图) 作为输入，然后通过最大化多尺度损失函数进行训练；分割器仅利用评判器传递的梯度进行训练，旨在最小化多尺度损失函数。我们表明这样的 SegAN 框架对于分割任务更有效且稳定，并且其性能优于最先进的 U-net 分割方法。我们使用来自 MICCAI BRATS 脑肿瘤分割挑战赛的数据集测试了我们的 SegAN 方法。广泛的实验结果证明了所提出的带多尺度损失的 SegAN 的有效性：在 BRATS 2013 上，SegAN 对全肿瘤和肿瘤核心分割给出了与最先进水平相当的性能，同时对 Gd 增强肿瘤核心分割实现了更好的精度和灵敏度；在 BRATS 2015 上，SegAN 在 dice 分数和精度上都取得了优于最先进水平的性能。
引用
@article{arxiv.1706.01805,
title = {SegAN: Adversarial Network with Multi-scale $L_1$ Loss for Medical Image Segmentation},
author = {Yuan Xue and Tao Xu and Han Zhang and Rodney Long and Xiaolei Huang},
journal= {arXiv preprint arXiv:1706.01805},
year = {2018}
}