时间一致性目标正则化解耦表征的学习
计算机视觉与模式识别
2019-11-19 v1
摘要
在学习可解释特征表征方面关注日益增加，特别是在诸如医学图像分析等需要可解释性且较少依赖标注数据的应用中（因为标注可能繁琐且昂贵）。此处我们基于近期风格-内容表征的创新，学习解剖结构、成像特征（外观）与时间相关性。通过引入预测未来心脏相位的自监督目标，我们改善了解耦。我们提出一种时间变换器架构，该架构在给定图像并以相位差为条件时预测未来帧。这迫使解剖分解与电影MRI中的时间心脏收缩一致，并具有语义意义，从而减少了对标注的需求。我们证明使用该正则化，我们取得了有竞争力的结果并改善了半监督分割，尤其在极少标注数据可用时。具体而言，我们在ACDC数据集上分别相较于监督和半监督方法展示了高达19%和7%的Dice提升。代码见：https://github.com/gvalvano/sdtnet 。
引用
@article{arxiv.1908.11330,
title = {Temporal Consistency Objectives Regularize the Learning of Disentangled Representations},
author = {Gabriele Valvano and Agisilaos Chartsias and Andrea Leo and Sotirios A. Tsaftaris},
journal= {arXiv preprint arXiv:1908.11330},
year = {2019}
}
备注
9 pages, 4 figures (1 .gif), 1 table