面向标注高效分割的图像到图像翻译方法
计算机视觉与模式识别
2021-06-15 v4
摘要
在医学影像中，往往难以生成足够的边界标注来训练深度神经网络以实现准确的肿瘤分割。我们提出利用关于图像是否存在肿瘤的弱标签，将训练扩展到缺乏这些标注的图像上。具体而言，我们提出了一种半监督框架，该框架以两个域（存在癌症与不存在癌症）之间的非配对图像到图像翻译作为无监督目标。我们推测翻译有助于分割——二者都要求将目标从背景中分离。我们将图像编码为两种码：一种为两域共有，另一种为存在域所独有。从共有码解码得到健康图像；加入独有码解码则产生对该图像的残差改变，从而添加癌症。翻译从存在到不存在以及反向进行。在前一种情形中，肿瘤被重新添加到图像中，我们成功利用残差解码器同时执行分割。在后一种情形中，对独有码进行采样，产生可能肿瘤的分布。为验证该方法，我们基于公开 BRATS（脑，MRI）和 LitS（肝，CT）数据集构建了具有挑战性的合成任务与肿瘤分割数据集。我们展示了相对于自编码基线半监督训练（0.73，0.66）和 mean teacher 方法（0.75，0.69）的明显提升（脑 0.83 Dice，肝 0.74），证明了从较小标注样本分布中泛化的能力。
引用
@article{arxiv.1904.01636,
title = {Towards annotation-efficient segmentation via image-to-image translation},
author = {Eugene Vorontsov and Pavlo Molchanov and Christopher Beckham and Jan Kautz and Samuel Kadoury},
journal= {arXiv preprint arXiv:1904.01636},
year = {2021}
}