通过空间自排序卷积神经网络实现无监督身体部位回归
计算机视觉与模式识别
2018-03-08 v2
摘要
CT 切片的自动身体部位识别可有益于各种医学图像应用。最近的深度学习方法展示了令人瞩目的性能，但需要大量标记图像进行训练。CT 体积中固有的结构或上下切片排序信息未被充分利用。在本文中，我们提出了一种基于卷积神经网络 (CNN) 的无监督身体部位回归 (UBR) 算法来解决这一问题。提出了一种新颖的无监督学习方法和两个样本间 CNN 损失函数。与以往工作不同，UBR 为人体建立了一个坐标系，并为每个轴向切片输出一个连续分数，代表该切片中身体部位的归一化位置。UBR 的训练过程类似于自组织过程：切片分数是从切片间关系中学习得到的。训练样本是丰富的未标记 CT 体积，因此不需要额外的标注工作。UBR 简单、快速且准确。定量和定性实验验证了其有效性。此外，我们展示了 UBR 在网络初始化和异常检测中的两个应用。
引用
@article{arxiv.1707.03891,
title = {Unsupervised Body Part Regression via Spatially Self-ordering Convolutional Neural Networks},
author = {Ke Yan and Le Lu and Ronald M. Summers},
journal= {arXiv preprint arXiv:1707.03891},
year = {2018}
}
备注
Oral presentation in ISBI18