基于解耦表示的半监督病理分割
图像与视频处理
2020-09-09 v1 计算机视觉与模式识别
机器学习
摘要
自动化病理分割在临床实践中仍是一种有价值的诊断工具。然而，收集训练数据具有挑战性。结合有标签和无标签数据的半监督方法可为数据稀缺提供解决方案。一种半监督学习方法依赖于重建目标（作为自监督目标），以联合方式学习适用于该任务的表示。在此，我们提出解剖-病理解耦网络（APD-Net），一种病理分割模型，首次尝试联合学习：解剖、模态和病理的解耦。该模型以半监督方式训练，采用新的重建损失直接旨在以有限标注改善病理分割。此外，提出了一种联合优化策略以充分利用可用标注。我们在两个带有 LGE-MRI 扫描的私有心肌梗死分割数据集上评估了我们的方法。APD-Net 能用极少标注进行病理分割，在不同监督量下保持性能，并优于相关深度学习方法。
引用
@article{arxiv.2009.02564,
title = {Semi-supervised Pathology Segmentation with Disentangled Representations},
author = {Haochuan Jiang and Agisilaos Chartsias and Xinheng Zhang and Giorgos Papanastasiou and Scott Semple and Mark Dweck and David Semple and Rohan Dharmakumar and Sotirios A. Tsaftaris},
journal= {arXiv preprint arXiv:2009.02564},
year = {2020}
}
备注
12 Pages, 4 figures