基于对抗网络的无监督医学图像分割：从边缘图到分割图
图像与视频处理
2019-11-14 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
我们开发了一种无监督语义医学图像分割方法，扩展了先前使用生成对抗网络的工作。我们利用现有边缘检测方法构建简单边缘图，训练生成模型将其转化为合成医学图像，并通过提取边缘图的变体构建具有已知分割结果的合成图像数据集。该合成数据集随后用于训练有监督图像分割模型。我们在肾脏超声图像临床数据集和基准 ISIC 2018 皮肤病变数据集上测试了我们的方法。我们表明，我们的无监督方法比先前的无监督方法更准确，且与有监督图像分割模型相比表现合理。所有代码和训练好的模型可在 https://github.com/kiretd/Unsupervised-MIseg 获取。
引用
@article{arxiv.1911.05140,
title = {Unsupervised Medical Image Segmentation with Adversarial Networks: From Edge Diagrams to Segmentation Maps},
author = {Umaseh Sivanesan and Luis H. Braga and Ranil R. Sonnadara and Kiret Dhindsa},
journal= {arXiv preprint arXiv:1911.05140},
year = {2019}
}
备注
16 pages, 8 figures