利用自动生成标注无监督训练 GAN 以分割数字病理图像
计算机视觉与模式识别
2018-08-02 v2
摘要
近来，生成对抗网络在半监督图像分析场景中展现出优异性能。在本文中，我们更进一步，针对已知目标形状先验的分割应用提出一种全无监督方法。我们提出并研究了不同策略来生成模拟标注数据，并利用对抗模型在图像与标注域之间执行图像到图像的翻译。具体而言，我们评估了标注模型精度的影响以及模拟额外低级图像特征的效果。在实验评估中，我们考虑肾小球分割这一来自肾脏病理的应用场景。实验提供了概念验证，并确认考虑到 GAN 训练的稳定性，创建模拟标注数据的策略具有特别重要的意义。
引用
@article{arxiv.1805.10059,
title = {Unsupervisedly Training GANs for Segmenting Digital Pathology with Automatically Generated Annotations},
author = {Michael Gadermayr and Laxmi Gupta and Barbara M. Klinkhammer and Peter Boor and Dorit Merhof},
journal= {arXiv preprint arXiv:1805.10059},
year = {2018}
}
备注
Submitted to ISBI'19