ICLR 2023: segmentación de vasos sanguíneos basada en el aprendizaje de representación adversarial de difusión
Tabla de contenido
- prefacio
- descripción general
- DDPM
- capa SPADE conmutable
- entrenamiento e inferencia
- Resultados Cuantitativos y Visualización
- Resumir
- Link de referencia
¡Este artículo se publicó por primera vez en GiantPandaCV y no se puede reproducir sin permiso! !
prefacio
En la actualidad, existen dos problemas para la tarea de segmentación de vasos sanguíneos: el primero es la cantidad de datos; el segundo es el fondo complejo de las imágenes de los vasos sanguíneos. Los métodos supervisados tradicionales requieren una gran cantidad de etiquetas, mientras que los métodos no supervisados no pueden lograr la precisión esperada debido al fondo complejo, el bajo contraste, los artefactos de movimiento y muchas ramificaciones diminutas de las imágenes de los vasos sanguíneos. En respuesta, este documento presenta una nueva arquitectura llamada Aprendizaje de representación adversa difusa (DARL).
La "etiqueta" de aprendizaje autosupervisado generalmente proviene de los propios datos, y su operación de rutina es mejorar la calidad de la representación de aprendizaje (representación) al realizar varias "tareas auxiliares", mejorando así la calidad de las tareas posteriores. Para la tarea de segmentación de vasos sanguíneos autosupervisada, DARL usa el módulo de difusión para aprender la señal de fondo, lo que es beneficioso para el módulo de generación para proporcionar información de expresión de vasos sanguíneos de manera efectiva. Además, el modelo utiliza el aprendizaje contradictorio basado en la desnormalización adaptativa espacial conmutable (SPADE) para sintetizar imágenes de embarcaciones falsas y mapas de segmentación de embarcaciones para capturar información semántica relacionada con las embarcaciones. Después del entrenamiento, el modelo puede generar mapas de segmentación en un solo paso, cuyos detalles se describen más adelante.