用于医学图像分割的空间导向的自监督聚类网络
作者:Euijoon Ahn1, Dagan Feng1,2 and Jinman Kim1
编辑:cheney
本文,作者提出了一个用于医学图像分割的空间导向的自监督聚类网络SGSCN,它以端到端的方式从单个图像中迭代学习每个像素的特征表示和聚类分配。作者还提出了一个基于上下文的一致性损失函数,可以更好的描述图像的形状和边界。
自监督聚类的概念是使用聚类分配(如聚类标签)作为代理标签来学习CNN的参数。
作者使用两个数据集来测试模型在两种问题上的表现,分别是皮肤损伤分割数据集PH2和肝肿瘤分割数据集(美国中山大学公开数据集)。
模型架构
对于给定一张图像Xn,训练一个卷积分割网络F生成分割图Sn,然后标准化Sn,使得Sn的均值和方差都为零。最终的分割图(每个像素的聚类标签Cn)通过选择通道维度获得,这个通道维度可以最大化分割图的响应值。卷积分割网络的参数通过训练最小化Sn和Cn之间的交叉熵损失得到。此外,稀疏空间损失和基于上下文的一致性损失用于通过理解像素和区域的空间关系来增强聚类分配。SGSCN以端到端的方式迭代学习并改进每个像素的特征表示和聚类分配。
通过训练最小化Sn和Cn之间的交叉熵损失得到卷积分割网络的参数
其中P代表聚类的类别数。
稀疏空间损失
经典的交叉熵损失忽略了图像像素或区域的空间关系,使得空间边缘的像素难以分组,从而产生次优参数。
L1范数正则化广泛应用于图像恢复和去噪,并在处理稀疏数据时证明了其有效性,它还显示出对图像中细微边缘或空间连接区域的惩罚较小。因此作者使用L1正则来衡量分割图Sn的垂直和水平差异,
W和H代表输入图像的宽度和高度,Sk,l代表分割图Sn中(k,l)坐标处的像素值。
基于上下文的一致性损失
基于上下文的一致性损失强制属于集群的像素在空间上靠近集群中心,k坐标轴上聚类Cn的中心通过将每个簇转换为空间概率分布函数来计算
使用簇中心,我们可以根据以下公式计算基于上下文的一致性损失
该损失函数用于惩罚空间上远离簇中心的像素。
训练
卷积分割网络的总体损失函数是交叉熵损失、稀疏空间损失和基于上下文的一致性损失之和。作者设置了任意最大可能聚类数P=8,这是通过总损失函数迭代最小化的。在训练过程中,相似的图像像素将分配给相同的簇,使得簇数小于最初定义的最大簇数大小。重复这个过程,直到聚类和损失变得稳定。
实验结果
未经本人许可,禁止转载。