面向医学图像分割的半监督条件生成对抗网络

作     者：刘少鹏 洪佳明 梁杰鹏 贾西平 欧阳佳 印鉴 LIU Shao-Peng;HONG Jia-Ming;LIANG Jie-Peng;JIA Xi-Ping;OUYANG Jia;YIN Jian

作者机构：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 广州中医药大学医学信息工程学院广东广州510006 中山大学数据科学与计算机学院广东广州510006 

出 版 物：《软件学报》 (Journal of Software)

年 卷 期：2020年第31卷第8期

页      面：2588-2602页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：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) 

主　　题：医学图像 深度学习 生成对抗网络 半监督学习 青光眼筛查 

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.