带尺寸约束的弱监督眼底图像视盘分割
目的 医学图像的像素级标注工作需要耗费大量的人力.针对这一问题,本文以医学图像中典型的眼底图像视盘分割为例,提出了一种带尺寸约束的弱监督眼底图像视盘分割算法.方法 对传统卷积神经网络框架进行改进,根据视盘的结构特点设计新的卷积融合层,能够更好地提升分割性能.为了进一步提高视盘分割精度,本文对卷积神经网络的输出进行了尺寸约束,同时用一种新的损失函数对尺寸约束进行优化,所提的损失公式可以用标准随机梯度下降方法 来优化.结果 在RIM-ONE视盘数据集上展开实验,并与经典的全监督视盘分割方法 进行比较.实验结果表明,本文算法在只使用图像级标签的情况下,平均准确识别率(mAcc)、平均精度(mPre)和平均交并比(mIoU)分别能达到0.852、0.831、0.827.结论 本文算法不需要专家进行像素级标注就能够实现视盘的准确分割,只使用图像级标注就能够得到像素级标注的分割精度.缓解了医学图像中像素级标注难度大的问题.
弱监督学习、视盘分割、尺寸约束、卷积神经网络、眼底图像
24
TP391(计算技术、计算机技术)
国家自然科学基金项目61773104
2019-06-04(万方平台首次上网日期,不代表论文的发表时间)
共9页
827-835