面向医学图像分割的半监督条件生成对抗网络
作者:
作者单位:

作者简介:

刘少鹏(1984-),男,博士,讲师,CCF专业会员,主要研究领域为机器学习,数据挖掘,医学图像处理;贾西平(1976-),男,博士,副教授,主要研究领域为机器学习,图像处理;洪佳明(1984-),男,博士,讲师,主要研究领域为机器学习,数据挖掘,医学图像处理;欧阳佳(1986-),男,博士,讲师,主要研究领域为数据挖掘,机器学习,隐私保护;梁杰鹏(1995-),男,学士,主要研究领域为深度学习,医学图像处理;印鉴(1968-),男,博士,教授,博士生导师,CCF杰出会员,主要研究领域为数据库与数据挖掘,大数据分析与处理,网络搜索与电子商务,人工智能与机器学习.

通讯作者:

印鉴,E-mail:issjyin@mail.sysu.edu.cn

中图分类号:

基金项目:

国家自然科学基金(61472453,61702119,U1401256,U1501252,U1611264,U1711261,U1711262);广东省自然科学基金(2019A1515012048,2015A030310312,2014A030309013);广东省教育厅青年创新人才项目(2017KQNCX117,2015KQNCX084);广州市科技计划(201802010029);广东省大数据分析与处理重点实验室开放基金(201802)


Medical Image Segmentation Using Semi-supervised Conditional Generative Adversarial Nets
Author:
Affiliation:

Fund Project:

National Natural Science Foundation of China (61472453, 61702119, U1401256, U1501252, U1611264, U1711261, U1711262); Natural Science Foundation of Guangdong Province (2019A1515012048, 2015A030310312, 2014A030309013); Young Innovative Talents Project of Education Bureau, Guangdong Province (2017KQNCX117, 2015KQNCX084); Science and Technology Program of Guangzhou Municipality (201802010029); Opening Project of Guangdong Key Laboratory of Big Data Analysis and Processing (201802)

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    医学图像分割是计算机辅助诊断的关键技术.青光眼作为全球第二大致盲眼病,其早期筛查和临床诊断依赖于眼底图的视盘和视杯的准确分割.但传统的视盘和视杯分割方法采用人工构建特征,模型泛化能力差.近年来,基于卷积神经网络的端对端学习模型可通过自动发现特征来分割视盘和视杯,但由于标注样本有限,模型难以训练.提出一个基于半监督条件生成对抗网络的视盘和视杯两阶段分割模型——CDR-GANs.该模型的每个分割阶段均由语义分割网络、生成器和判别器构成,通过对抗学习,判别器引导语义分割网络和生成器学习眼底图及其分割图的联合概率分布.在真实数据集ORIGA上的实验结果表明,CDR-GANs在均交并比(mean intersection over union,简称MIoU)、CDR绝对误差(absolute CDR error)和实际分割效果这些指标上明显优于现有模型.

    Abstract:

    Medical image segmentation is a key technology in computer aided diagnosis. As a widespread eye disease, glaucoma may cause permanent loss in vision and its screening and diagnosis requires accurate segmentation of optic cup and disc from fundus images. Most traditional computer vision methods segment optic cup and disc with artificial features lead to limited generalization ability. While the end-to-end learning models based on convolutional neural networks focus on optic disc and cup segmentation using automatically detected features, but fail to tackle the lack of labeled samples, thus the segmentation performance is still barely satisfactory. This study proposes an effective two-stage optic disc and cup segmentation method based on semi-supervised conditional generative adversarial nets, namely CDR- GANs. Each stage builds upon three players—A segmentation net, a generator, and a discriminator, where the segmentation net and generator concentrate on learning the conditional distributions between fundus images and their corresponding segmentation maps, and the discriminator distinguishes whether the image-label pairs come from the empirical joint distribution. The extensive experiments show that the proposed method achieves state-of-the-art optic cup and disc segmentation results on ORIGA dataset.

    参考文献
    相似文献
    引证文献
引用本文

刘少鹏,洪佳明,梁杰鹏,贾西平,欧阳佳,印鉴.面向医学图像分割的半监督条件生成对抗网络.软件学报,2020,31(8):2588-2602

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2018-11-14
  • 最后修改日期:2019-01-15
  • 录用日期:
  • 在线发布日期: 2020-08-12
  • 出版日期:
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京市海淀区中关村南四街4号,邮政编码:100190
电话:010-62562563 传真:010-62562533 Email:jos@iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号