Semi-supervised Segmentation of Optic Cup in Retinal Fundus
在眼底影像中青光眼的半监督分割
摘要主要说明了目前采用分割方法对于青光眼的诊断中，边界不明显的optic cup相比optic disc更难分割，因此这里只考虑optic cup的分割；本文方法的主要贡献点在于利用大量无标签数据的内在的特征来训练有少量标签数据集的分割模型，从而以半监督方式实现更高的分割精度；具体采用变分自编码器从无标签的数据集中学习数据潜在特征空间中的内嵌特征，然后文章将从无标签数据中通过变分自编码器中得到的内嵌特征组合到有监督的分割自编码器，从而实现分割自编码器有效训练，此时，训练的分割自编码器就会将无标签数据的内嵌特征考虑进来。实验结果表明，这种方法相比只用少量有标签的数据提高了optic cup的分割精度。
1 引言
目前半监督学习已经应用到MRI脑图分割、肺结核检测、视网膜血管的分割；本文方法首先通过VAE在大量无标签数据中学习这个内嵌的特征，然后通过迁移已学习到的内嵌特征的特性去训练分割自编码器。
2 本文半监督分割的方法
采用无标签的数据训练VAE，VAE由两部分组成：编码网网络GE将输入图像映射到连续的潜在变量z，解码网络GD使用变量z重构输入图像；
2.1 GVAE：生成变分自编码器
GE的模型为5层带有池化层的卷积层和2层全连接构成，网络的输入为图像x，而输出为均值和标准差，而潜在的中间变量z从这个正态分布中采样获得；GD由5层解卷积层构成，GD的输入为z，输出为重构的图像x。GVAE训练的代价函数由1式给出，其中第一项为后验近似q(z|x)到p(z)间的KL离散度，第二项为GD网络期望的重构误差；KL部分能够重新表达为2式：
这里有个问题，解码器GD的输入是从后验q(z|x)中随机采样产生，然后这种方式不能用于后向传播，因此本文针对这个问题使用文献5中的技巧对这部分进行重新参数化，使其能够用于后向传播的参数更新。
2.2 SVAE：应用于分割的变分编码器
SVAE的目的通过利用GVAE学习的内嵌特征去预测输入图像中的optic cup区域；本文SVAE也由包含5层卷积池化层和两层全连接层的SE和5层解卷积层的SD组成，SE的输入为图像x，输出为均值和方差；潜在中间变量v也是从q的正态分布中采样得到，SD以v作为输入，输出则为分割的optic cup的mask图像。
为了在SVAE中利用无标签图像的信息，此时给定一幅有标签的图像，已训练的GVAE能够得到潜在中间变量z，那么对于SVAE训练的代价函数可以定义为3式的表达式，第一项是p和q的负的KL离散度，能够重新表示为3式，第二项为输入v通过SD重建optic cup mask的误差，第三项为v和z的欧氏距离；
具体SVAE的训练步骤如下：
3 实验结果
EyePACS1（1 http://www.eyepacs.com/）12000张，其中选择600张伟有标签的数据集，11400为无标签的数据集；
数据的裁剪和尺寸变形
数据扩充
一般对于深度学习网络的训练，数据扩充是不可或缺的步骤
测试阶段处理
这里有点不理解的是均应该为向量，同时估计也是和z和v的维度一致；
对比实验
对于GVAE和SVAE的潜在中间变量z和v的维度设置为100；和医学图像最先进的分割方法Unet进行了对比，同时和没有GVAE的全监督模型作对比；
结果
Semi-supervised Segmentation of Optic Cup in Retinal Fundus相关推荐
- Semi-supervised Segmentation of Optic Cup in Retinal Fundus的解读
本文的工作主要说明了目前采用分割方法对于青光眼的诊断中,边界不明显的optic cup相比optic disc更难分割,因此这里只考虑optic cup的分割:本文方法的主要贡献点在于利用大量无标签数 ...
- 图构造总结-Graph‑based semi‑supervised learning via improving the quality of the graph dynamically
前言 本博文主要对论文中提到的图构造方法进行梳理,论文自己提出的模型并未介绍,感兴趣的可以阅读原文 摘要 基于图的半监督学习GSSL主要包含两个过程:图的构建和标签推测.传统的GSSL中这两个过程是完 ...
- （三十二 ：2021.01.12）MICCAI 2017 追踪之论文纲要
讲在前面 PART I.PART II和PART III. 论文目录 PART I Atlas and Surface-Based Techniques(地图集和基于表面的技术) 概要 1.The A ...
- Optic Disc Detection using Template Matching based on Color Plane Histograms
Optic Disc Detection using Template Matching based on Color Plane Histograms 论文翻译:基于彩色平面直方图的模板匹配的视盘检 ...
- 【医学+深度论文：F23】2018 symmetry Dense Fully Convolutional Segmentation of the Optic Disc and
23 2018 symmetry Dense Fully Convolutional Segmentation of the Optic Disc and Cup in Colour Fundus f ...
- Weakly Supervised Semantic Segmentation list
Weakly Supervised Semantic Segmentation list 文章转自Github:https://github.com/JackieZhangdx/WeakSupervi ...
- Image Segmentation Using Deep Learning: A Survery
图像分割综述–论文翻译 论文地址:https://arxiv.org/pdf/2001.05566.pdf 图像分割综述论文 图像分割综述--论文翻译 摘要 介绍 深度神经网络的介绍 Convo ...
- 论文翻译 | Learning Calibrated Medical Image Segmentation via Multi-rater Agreement Modeling
文章目录 Abstract and Contributions Motivation Overall Framework Expertise-aware Inferring Module Multi- ...
- 语义分割-Unsupervised Domain Adaptation in Semantic Segmentation：a Review语义分割中的无监督领域自适应：综述
Unsupervised Domain Adaptation in Semantic Segmentation:a Review语义分割中的无监督领域自适应:综述 0.摘要 1.介绍 1.1.语义分割 ...
最新文章
- 驭势科技引入国家队战略注资，完成超10亿元人民币融资
- 如何利用Tensorflow和OpenCV构建实时对象识别程序？
- ntop和Cacti
- 淘宝客静态单页_单页应用程序的Spring Boot静态Web资源处理
- WiFi曝出安全漏洞几近“裸奔”：运营商能借机收割一波红利吗?
- 【报告分享】2020年中国数据驱动型企业成长路径研究报告.pdf（附下载链接）...
- extjs4 grid 刷新数据时不改变滚动条位置
- MySQL 数据类型、字符集编码、存储引擎
- Vue下载文件不成功及下载文件名称问题
- java开源cad_.Net开源项目（包含CAD支持）
- windows 照片查看器无法打开图片 因为照片查看器不支持此文件格式，或者你没有照片查看器的最新更新
- php之form,PHP之表单处理
- l130 华大低功耗mcu_HC32L130国产超低功耗华大MCU芯片介绍
- 买服务器挂网站吗,云服务器 挂网站吗
- springboot返回404错误页面
- STM32三个ADC同步规则采样
- 实践是检验真理的唯一标准！静态路由相关配置实操③
- python学习笔记（BMR计算器）
- mysql的aes加密算法查询_java mysql 通用aes加密算法
- 使用dbeaver登录gp数据库出现驱动错误