用微小残差 3D U-Net 架构分割黄斑水肿数据集
图像与视频处理
2020-05-12 v1 计算机视觉与模式识别
机器学习
摘要
本文研究了在训练数据集极小的情况下深度卷积神经网络在黄斑水肿分割问题上的应用。具体而言，我们研究了几种不同的重度正则化架构。我们发现，与普遍看法相反，在此应用设置中的神经架构能够在无需大量训练样本的情况下，对未见测试图像达到接近人类水平的性能。标注这些 3D 数据集很困难，需要满足多重标准。一位有经验的临床医生标注单张 3D 图像需两天，而我们训练好的模型在不到一秒内达到相似性能。我们发现，一种结合针对性数据集增强、并以残差设计为重点简化架构的方法具有可接受的泛化性能——尽管依赖少于 15 个训练样本。
引用
@article{arxiv.2005.04697,
title = {Segmentation of Macular Edema Datasets with Small Residual 3D U-Net Architectures},
author = {Jonathan Frawley and Chris G. Willcocks and Maged Habib and Caspar Geenen and David H. Steel and Boguslaw Obara},
journal= {arXiv preprint arXiv:2005.04697},
year = {2020}
}
备注
7 pages, 5 figures