通过解剖位置预测实现心脏MR图像分割的自监督学习
计算机视觉与模式识别
2019-07-08 v1
摘要
近年来，卷积神经网络因其能够为多种分类与回归任务学习判别性图像特征而变革了医学图像分析领域。然而，成功学习这些特征需要大量手动标注数据，这类数据获取成本高昂且受限于专家图像分析人员的可用资源。因此，无监督、弱监督与自监督特征学习技术备受关注，其旨在利用海量可用数据，同时避免或大幅减少手动标注工作。本文中，我们提出一种训练心脏MR图像分割网络的新方法，其中特征通过预测解剖位置以自监督方式学习。解剖位置作为监督信号，无需额外手动标注。我们证明这一看似简单的任务为特征学习提供了强信号，并且通过自监督学习，我们取得了高分割精度，优于或与从头训练的U-net相当，尤其在少量数据情形下。当仅有五例标注受试者可用时，相较于基线U-net，所提方法将短轴图像分割的平均Dice度量从0.811提升至0.852。
引用
@article{arxiv.1907.02757,
title = {Self-Supervised Learning for Cardiac MR Image Segmentation by Anatomical Position Prediction},
author = {Wenjia Bai and Chen Chen and Giacomo Tarroni and Jinming Duan and Florian Guitton and Steffen E. Petersen and Yike Guo and Paul M. Matthews and Daniel Rueckert},
journal= {arXiv preprint arXiv:1907.02757},
year = {2019}
}
备注
Accepted by MICCAI 2019