TricycleGAN：基于形状先验的无监督图像合成与分割
图像与视频处理
2021-02-05 v1 计算机视觉与模式识别
机器学习
摘要
医学图像分割通常用于隔离感兴趣区域，如器官和病灶。目前，深度学习是自动分割的最先进技术，但通常受限于需要使用由训练有素的临床医生手动分割的大数据集进行监督训练。半监督与无监督图像分割的目标是大为减少甚至消除对训练数据的需求，从而在训练分割模型时最小化临床医生的负担。为此，我们引入一种名为 TricycleGAN 的新型网络架构，能够进行无监督与半监督图像分割。该方法使用三个生成模型，以边缘图作为中间步骤，学习医学图像与分割图之间的转换。不同于其他基于生成网络的方法，TricycleGAN 依赖形状先验而非颜色与纹理先验。因此，它特别适用于若干医学成像领域，例如超声成像，其中常用的视觉线索可能缺失。我们在肾脏超声图像的临床数据集和基准 ISIC 2018 皮肤病灶数据集上展示了 TricycleGAN 的实验。
引用
@article{arxiv.2102.02690,
title = {TricycleGAN: Unsupervised Image Synthesis and Segmentation Based on Shape Priors},
author = {Umaseh Sivanesan and Luis H. Braga and Ranil R. Sonnadara and Kiret Dhindsa},
journal= {arXiv preprint arXiv:2102.02690},
year = {2021}
}
备注
18 pages, 7 figures