论文地址:Anatomical Priors in Convolutional Networks for Unsupervised Biomedical Segmentation
这是CVPR2018上的一篇无监督医学图像分割的论文
改方法分为两步,首先使用unpaired的分割图进行auto-encoding variational CNN的训练来得到解刨学上先验知识,然后在使用encoder-decoder CNN来进行图像的分割
目前比较流行的医学图像分割的模型例如U-Net基本上都是使用encoder-down sampling和decoder-up sampling然后使用skip connection进行多分辨率特征的融合,这些方法太依赖于大量标注好的数据,在无监督学习上很难使用,并且缺少解刨学的先验知识,只是单纯是使用标注的图像进行学习
Generative Model
生成模型如上,s为anatomical segmentation map,x为图像强度,x满足在s上的正太分布,z是latent variable
representing,其中x是我们已经得到的可以观察的样本
把z建模成均值为0,协方差为1的正太分布
把s建模为z上的先验分布
其中是在体素j上标签为l的可能性
最后,x通过来生成,在每个体素j上进行正态分布的采样
最后对于给定的一个图像x,为了获得分割图s,使用MAP(maximum a posteriori,最大后验估计)估计
Learning
为了得到我们需要先得到z,但是估计是非常困难的,无法使用EM(Expectation Maximization)算法
因此使用了和《Auto-encoding variational bayes》同样的方法,使用来近似,使用KL散度来衡量两个分布之间的距离
从上式我们得到
因为KL散度和z都是非负的,所以第二项是variational lower bound
Auto-Encoding Anatomical Prior
训练过程:
输入s(分割好的MRI),使用loss:
其中的loss应用在网络的中间段,也就是encoder输出的p(z|s)的高斯参数
应用在最后的输出上,也就是decoder输出的,进行dense的loss
supervised Learning
当我们有pair的数据(x,s)的时候,可以直接使用自编码进行有监督学习
可以看到进行学习的时候,decoder是直接从之前Auto-Encoding Anatomical Prior的decoder直接transfer过来的
训练过程:
输入x(需要分割的MRI),输出s(该分割网络得到的分割图)
loss:
其中的loss应用在网络的中间段,也就是encoder输出的p(z|x)的高斯参数
应用在最后的输出上,也就是decoder输出的,进行dense的loss
Unsupervised Learning
当我们没有pair的数据(x,s)的时候,只能使用自编码进行无监督学习
可以看到进行学习的时候,decoder是直接从之前Auto-Encoding Anatomical Prior的decoder直接transfer过来的
训练过程:
输入x(需要分割的MRI),输出s(该分割网络得到的分割图),因为是无监督学习,没有pair的(x,s),所以最后又对s进行的一次转换为x,来进行loss
其中的loss应用在网络的中间段,也就是encoder输出的p(z|x)的高斯参数
应用在最后的输出上,也就是decoder输出的s进行转换得到的,进行dense的loss