基于深度测地先验的弱监督分割
机器学习
2019-08-20 v1 计算机视觉与模式识别
机器学习
摘要
最先进的图像分割方法的性能严重依赖于高质量标注，而这类标注不易获得，尤其对于医学数据。为缓解此限制，在本研究中我们提出一种基于深度测地先验的弱监督图像分割方法。我们假设整合该先验信息可减弱弱标签对分割精度的不利影响。我们提出的算法基于从自动编码器提取的先验信息，该自动编码器经训练将物体的测地映射至其对应的二值映射。所得信息随后用作分割器损失函数中的额外项。为展示所提策略的有效性，我们实验了心脏亚结构在干净标签及两级噪声标签（L1、L2）下的分割。我们的实验表明，所提算法在dice分数上分别将基于深度学习的基线分割性能提升了4.4%（干净标签）、4.6%（L1）和6.3%（L2）。我们还表明，由于形状先验的存在，所提方法在高级别噪声下更具鲁棒性。
引用
@article{arxiv.1908.06498,
title = {Weakly Supervised Segmentation by A Deep Geodesic Prior},
author = {Aliasghar Mortazi and Naji Khosravan and Drew A. Torigian and Sila Kurugol and Ulas Bagci},
journal= {arXiv preprint arXiv:1908.06498},
year = {2019}
}
备注
Accepted to Machine Learning in Medical Imaging (MLMI 2019)