基于泄漏扰动的血管图像半监督语义分割
图像与视频处理
2021-10-26 v1 计算机视觉与模式识别
摘要
基于深度学习的语义分割在拥有大量标注样本时可获得引人注目的精度。然而,当仅有有限标注数据可用时,它仍是一项具有挑战性的任务,这在医学影像中尤为常见。本文中,我们提出使用 Leaking GAN——一种基于 GAN 的半监督架构,用于视网膜血管语义分割。我们的核心思想是通过从生成器泄漏信息来污染判别器。这导致更温和的生成,有利于 GAN 的训练。结果,未标注样本可被更好地利用以提升判别器的学习,最终带来更强的分类性能。此外,为克服医学图像中的变化,采用 mean-teacher 机制作为判别器的辅助正则化。进一步,我们修改 focal loss 使其适配作为 mean-teacher 正则化器的一致性目标。大量实验表明,在半监督设定下仅使用少至 8 张标注图像,在包括 DRIVE、STARE 和 CHASE_DB1 的基准数据集上评估时,Leaking GAN 框架相比最先进方法取得了有竞争力的性能。它在跨域分割任务上也优于现有算法。
引用
@article{arxiv.2110.11998,
title = {Semi-Supervised Semantic Segmentation of Vessel Images using Leaking Perturbations},
author = {Jinyong Hou and Xuejie Ding and Jeremiah D. Deng},
journal= {arXiv preprint arXiv:2110.11998},
year = {2021}
}
备注
To appear in WACV'22