基于聚类与深度表示学习的 3D 医学图像无监督分割
计算机视觉与模式识别
2018-04-13 v1
摘要
本文提出一种用于 3D 医学图像的无监督分割新方法。卷积神经网络（CNNs）已为图像分割带来显著进展。然而，大多数近期方法依赖监督学习，需要大量手动标注数据。因此，这些方法难以应对日益增长的医学图像数量。本文提出一种用于分割的无监督深度表示学习与聚类的统一方法。我们提出的方法包括两个阶段。在第一阶段，我们使用联合无监督学习（JULE）从目标图像学习训练块的深度特征表示，JULE 交替地对 CNN 生成的表示进行聚类并利用聚类标签作为监督信号更新 CNN 参数。我们通过在整个 CNN 架构中利用 3D 卷积将 JULE 扩展到 3D 医学图像。在第二阶段，我们将 k-means 应用于训练后 CNN 的深度表示，然后将聚类标签投影到目标图像以获得完全分割的图像。我们在三张使用微计算机断层扫描（micro-CT）扫描的肺癌标本图像上评估了我们的方法。micro-CT 中病理区域的自动分割可进一步促进病理检查流程。因此，我们旨在将每张图像自动划分为浸润性癌、非浸润性癌和正常组织区域。我们的实验展示了无监督深度表示学习在医学图像分割中的潜在能力。
引用
@article{arxiv.1804.03830,
title = {Unsupervised Segmentation of 3D Medical Images Based on Clustering and Deep Representation Learning},
author = {Takayasu Moriya and Holger R. Roth and Shota Nakamura and Hirohisa Oda and Kai Nagara and Masahiro Oda and Kensaku Mori},
journal= {arXiv preprint arXiv:1804.03830},
year = {2018}
}
备注
This paper was presented at SPIE Medical Imaging 2018, Houston, TX, USA