图像分割论文:Quality-aware semi-supervised learning for CMR segmentation
发布时间
阅读量：
阅读量
图像分割论文:Quality-aware semi-supervised learning for CMR segmentation
Auther: Bram Ruijsink, Institution:King’s College London, Publish year: 2020
论文地址：https://arxiv.org/abs/2009.00584
Key point:
- 医学图像分割目前存在的问题是难以获取优质的带标注数据，而数据增强和半监督式的方法有效性有限。
- 作者基于这样一个前提：医学分割后的结果不直接应用于产品，而是应用于对疾病的诊疗或判断
- 临床医生在评价图像分割结果时会基于大量生理和解剖学知识，为此作者提出了鲁棒质量控制分类器，为分割提供了有质量意识的半监督式数据扩充
Dataset:
心脏磁共振成像数据，存在两个独立的任务，一个是使用FCN分割主动脉区域，一个是使用U-Net分割左心室，右心室和左心室心肌。数据来自 UK Biobank cohort
Method:
Fig1 QC semi-supervised learning method
对于分割网络的输出，计算主动脉面积和左室和右室血池容量。综合各时间段的测量值，形成主动脉面积和心室血容量变化曲线
QC-control：采用3层LSTM和一个dense CNN。该网络的目的是根据面积/体积曲线将分割结果分为“好”和“错误”。对于每个主动脉面积和心室容积数据分别训练不同的分类器。
Loss: 损失函数被优化为检测错误结果的灵敏度。这是通过在训练后获得ROC曲线，并使用加权Youden指数选择使灵敏度（即召回）最大化的分类器。本文的QC分类器检测错误结果的灵敏度分别为96%（主动脉）和95%（SAX）
经QC验证后的数据，可用于分割训练数据扩充
全部评论 (0)
还没有任何评论哟~