基于松弛上置信界样本选择训练多器官分割网络
计算机视觉与模式识别
2018-04-10 v1
摘要
深度卷积神经网络（CNNs），尤其是全卷积网络，已广泛应用于自动医学图像分割问题，例如多器官分割。现有的基于 CNN 的分割方法主要关注寻找日益强大的网络架构，而较少关注用于更有效地训练网络的数据采样策略。在本文中，我们提出了一种简单而有效的用于训练多器官分割网络的样本选择方法。样本选择表现出一种利用-探索策略，即利用困难样本并探索较少被访问的样本。基于非常困难的样本可能存在标注错误这一事实，我们提出了一种名为松弛上置信界（Relaxed Upper Confident Bound, RUCB）的新样本选择策略。与其他样本选择策略（例如上置信界（Upper Confident Bound, UCB））相比，它利用一系列困难样本而非固守于一小部分非常困难的样本，从而减轻了训练过程中标注错误的影响。我们将这一新样本选择策略应用于在一个包含 120 例腹部 CT 扫描的数据集上训练多器官分割网络，并表明其显著提升了分割性能。
引用
@article{arxiv.1804.02595,
title = {Training Multi-organ Segmentation Networks with Sample Selection by Relaxed Upper Confident Bound},
author = {Yan Wang and Yuyin Zhou and Peng Tang and Wei Shen and Elliot K. Fishman and Alan L. Yuille},
journal= {arXiv preprint arXiv:1804.02595},
year = {2018}
}
备注
Submitted to MICCAI 2018