Semi-supervised Segmentation of Optic Cup in Retinal Fundus的解读

    本文的工作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含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