Semi-supervised Segmentation of Optic Cup in Retinal Fundus

来源：互联网发布：解数学题用什么软件编辑：程序博客网时间：2024/06/05 19:13

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。