[深度学习从入门到女装]Anatomical Priors in Convolutional Networks for Unsupervised Biomedical Segmentation

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