ICLR 2023: Сегментация кровеносных сосудов на основе обучения диффузионному состязательному представлению
Оглавление
- предисловие
- обзор
- ДДПМ
- переключаемый слой SPADE
- обучение и вывод
- Количественные результаты и визуализация
- Подведем итог
- справочная ссылка
Эта статья была впервые опубликована на GiantPandaCV и не может быть воспроизведена без разрешения! !
предисловие
В настоящее время для задачи сегментации кровеносных сосудов существуют две проблемы: первая — объем данных, вторая — сложный фон изображений кровеносных сосудов. Традиционные контролируемые методы требуют большого количества меток, в то время как неконтролируемые методы не могут обеспечить ожидаемую точность из-за сложного фона, низкой контрастности, артефактов движения и множества крошечных ветвей изображений кровеносных сосудов. В ответ в этой статье представлена новая архитектура, называемая обучением с диффузным состязательным представлением (DARL).
«Ярлык» самоконтролируемого обучения обычно исходит из самих данных, и его рутинная операция заключается в повышении качества обучающего представления (представления) путем воспроизведения различных «вспомогательных задач», тем самым повышая качество последующих задач. Для задачи сегментации кровеносных сосудов с самоконтролем DARL использует модуль диффузии для изучения фонового сигнала, что полезно для модуля генерации для эффективного предоставления информации об экспрессии кровеносных сосудов. Кроме того, в модели используется состязательное обучение на основе переключаемой пространственно-адаптивной денормализации (SPADE) для синтеза поддельных изображений сосудов и карт сегментации сосудов для сбора семантической информации, связанной с сосудами. После обучения модель может генерировать карты сегментации за один шаг, подробности которого описаны ниже.