主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2022年专刊出版计划 微信服务介绍 最新一期:2021年第2期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
刘少鹏,洪佳明,梁杰鹏,贾西平,欧阳佳,印鉴.面向医学图像分割的半监督条件生成对抗网络.软件学报,2020,31(8):2588-2602
面向医学图像分割的半监督条件生成对抗网络
Medical Image Segmentation Using Semi-supervised Conditional Generative Adversarial Nets
投稿时间:2018-11-14  修订日期:2019-01-15
DOI:10.13328/j.cnki.jos.005860
中文关键词:  医学图像  深度学习  生成对抗网络  半监督学习  青光眼筛查
英文关键词:medical image  deep learning  generative adversarial nets  semi-supervised learning  glaucoma screening
基金项目:国家自然科学基金(61472453,61702119,U1401256,U1501252,U1611264,U1711261,U1711262);广东省自然科学基金(2019A1515012048,2015A030310312,2014A030309013);广东省教育厅青年创新人才项目(2017KQNCX117,2015KQNCX084);广州市科技计划(201802010029);广东省大数据分析与处理重点实验室开放基金(201802)
作者单位E-mail
刘少鹏 广东技术师范大学 计算机科学学院, 广东 广州 510665
广东省大数据分析与处理重点实验室(中山大学), 广东 广州 510006 
 
洪佳明 广州中医药大学 医学信息工程学院, 广东 广州 510006  
梁杰鹏 广东技术师范大学 计算机科学学院, 广东 广州 510665  
贾西平 广东技术师范大学 计算机科学学院, 广东 广州 510665  
欧阳佳 广东技术师范大学 计算机科学学院, 广东 广州 510665  
印鉴 中山大学 数据科学与计算机学院, 广东 广州 510006 issjyin@mail.sysu.edu.cn 
摘要点击次数: 526
全文下载次数: 859
中文摘要:
      医学图像分割是计算机辅助诊断的关键技术.青光眼作为全球第二大致盲眼病,其早期筛查和临床诊断依赖于眼底图的视盘和视杯的准确分割.但传统的视盘和视杯分割方法采用人工构建特征,模型泛化能力差.近年来,基于卷积神经网络的端对端学习模型可通过自动发现特征来分割视盘和视杯,但由于标注样本有限,模型难以训练.提出一个基于半监督条件生成对抗网络的视盘和视杯两阶段分割模型——CDR-GANs.该模型的每个分割阶段均由语义分割网络、生成器和判别器构成,通过对抗学习,判别器引导语义分割网络和生成器学习眼底图及其分割图的联合概率分布.在真实数据集ORIGA上的实验结果表明,CDR-GANs在均交并比(mean intersection over union,简称MIoU)、CDR绝对误差(absolute CDR error)和实际分割效果这些指标上明显优于现有模型.
英文摘要:
      Medical image segmentation is a key technology in computer aided diagnosis. As a widespread eye disease, glaucoma may cause permanent loss in vision and its screening and diagnosis requires accurate segmentation of optic cup and disc from fundus images. Most traditional computer vision methods segment optic cup and disc with artificial features lead to limited generalization ability. While the end-to-end learning models based on convolutional neural networks focus on optic disc and cup segmentation using automatically detected features, but fail to tackle the lack of labeled samples, thus the segmentation performance is still barely satisfactory. This study proposes an effective two-stage optic disc and cup segmentation method based on semi-supervised conditional generative adversarial nets, namely CDR- GANs. Each stage builds upon three players—A segmentation net, a generator, and a discriminator, where the segmentation net and generator concentrate on learning the conditional distributions between fundus images and their corresponding segmentation maps, and the discriminator distinguishes whether the image-label pairs come from the empirical joint distribution. The extensive experiments show that the proposed method achieves state-of-the-art optic cup and disc segmentation results on ORIGA dataset.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利