SUSAN：利用对抗网络分割未标注图像结构
计算机视觉与模式识别
2018-12-04 v1 人工智能
摘要
磁共振（MR）图像的分割是许多基于医学成像应用的基础步骤。深度卷积神经网络（CNN）在图像处理中的近期应用已显示出对医学图像分割的显著影响。分割CNN的网络训练通常需要图像和代表逐像素组织标签（称为掩膜）的成对标注数据。然而，具有更深结构和更多网络参数的高效CNN的监督训练需要大量训练图像和成对组织掩膜。因此，非常需要开发一种通用的基于CNN的分割方法，可适用于具有不同组织对比度的多种MR图像数据集。本研究的目的是开发并评估一种通用的基于CNN的方法，使用单组标注训练数据对不同MR图像数据集进行全自动分割。所提出方法的核心应用了称为循环一致生成对抗网络（CycleGAN）的技术，以在不同组织对比度的MR图像数据集之间执行图像到图像翻译。联合分割网络被纳入对抗网络中以获得额外的分割功能。所提出的方法仅使用来自公开可用膝关节MR图像数据集的单组标注数据，在我机构获取的两个临床膝关节MR图像数据集上评估了骨和软骨的分割。该新技术可进一步提高基于CNN的医学图像分割的适用性和效率，同时消除对大量标注训练数据的需求。
引用
@article{arxiv.1812.00555,
title = {SUSAN: Segment Unannotated image Structure using Adversarial Network},
author = {Fang Liu},
journal= {arXiv preprint arXiv:1812.00555},
year = {2018}
}