基于深度约束高斯网络的无监督组织分割
图像与视频处理
2022-08-08 v1 计算机视觉与模式识别
摘要
组织分割是病理检查的主要手段，而人工勾画过于繁重。为辅助这一耗时且主观的人工步骤，研究者已设计多种方法以自动分割病理图像中的结构。近年来，基于机器学习和深度学习的自动化方法主导了组织分割研究。然而，大多数基于机器和深度学习的方法为有监督方法，需使用大量训练样本进行开发，其中逐像素标注成本高昂且有时无法获取。本文提出一种新颖的无监督学习范式，通过集成端到端深度混合模型与约束指示量来获得准确的语义组织分割。该约束旨在深度混合模型计算优化函数时使其各分量集中。如此一来，当前无监督学习方法中常见的冗余或空类问题可大幅减少。在公共与内部数据集上的验证表明，所提出的深度约束高斯网络在组织分割上相较其他现有无监督分割方法取得了显著更优（Wilcoxon 符号秩检验）的性能（平均 Dice 分数分别为 0.737 和 0.735），且稳定性和鲁棒性提升。此外，与全监督 U-Net 相比，所提方法表现出相似性能（p 值 > 0.05）。
引用
@article{arxiv.2208.02912,
title = {Unsupervised Tissue Segmentation via Deep Constrained Gaussian Network},
author = {Yang Nan and Peng Tang and Guyue Zhang and Caihong Zeng and Zhihong Liu and Zhifan Gao and Heye Zhang and Guang Yang},
journal= {arXiv preprint arXiv:2208.02912},
year = {2022}
}
备注
13 pages, 8 figures, accepted by IEEE TMI