TricycleGAN：基于形状先验的无监督图像合成和分割

点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达

小白导读

论文是学术研究的精华和未来发展的明灯。小白决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。

摘要

医学图像分割通常用于分离感兴趣的区域，如器官和病变。目前，深度学习是自动分割的最先进技术，但通常由于需要借助训练有素的临床医生手工分割的大型数据集进行监督训练而受到限制。半监督和无监督图像分割的目标是大大减少，甚至消除训练数据的需要，从而减少临床医生在训练分割模型时的负担。为此，作者引入了一种新的能够进行无监督和半监督图像分割的网络结构——TricycleGAN。该方法使用三个生成模型学习医学图像之间的翻译，并使用边缘图作为中间步骤分割地图。与其他基于生成网络的方法不同，TricycleGAN依赖于形状先验，而不是颜色和纹理先验。因此，它特别适合于医学成像的几个领