文章目录
- Multiscale Unsupervised Retinal Edema Area Segmentation in OCT Images
- 摘要
- 本文方法
- 原始的DCCS
- 无监督图像聚类
- Pseudo-Mask-Guided Pixel-Wise Segmentation
- 实验结果
Multiscale Unsupervised Retinal Edema Area Segmentation in OCT Images
摘要
- 提出了一种新的无监督分割框架
- 该框架由两个阶段组成：图像级聚类将图像分为不同的类别，像素级分割利用聚类网络的指导
- 基于观察到较小的病变在具有详细纹理信息的大尺度图像上更明显，而较大的病变在大视场的小尺度图像上则更容易捕获，我们分别通过尺度不变正则化和多尺度类激活图（CAM）融合策略将多尺度信息引入这两个阶段。在公共视网膜数据集上的实验表明，所提出的框架在没有任何监督的情况下获得了76.28%的Dice分数，这大大优于最先进的无监督方法（Dice分数提高了20%以上）
代码链接
本文方法
第一步，采用了最先进的深度聚类，使用类别风格表示（DCCS）方法作为骨干方法来训练聚类网络，包括鉴别器D、评论家C和编码器Q。尽管DCCS在自然图像方面具有优异的性能，但它过于关注全局模式，而正常和异常OCT扫描的差异更为局部。通过引入尺度不变正则化，网络可以获得更好的局部差异判别能力。
然后，在通过融合不同尺度的CAM获得的伪掩模的指导下，编码器Q和解码器S可以被优化以提供REA的逐像素分割。
原始的DCCS
给定输入图像X，DCCS旨在学习解耦的潜在表示Z=（Zc，Zs），其中类别向量Zc表示将X分配给每个类别的概率，风格向量Zs表示类内风格信息。引入了三个正则化项，包括互信息正则化、解耦正则化和先验分布正则化，以训练用于这种变换的适当编码器Q。
互信息正则化
解耦正则化
额外的损失正则化
无监督图像聚类
为了进一步提高聚类网络的准确性和鲁棒性，我们建议利用多尺度信息，假设不同图像尺度可以更好地捕捉不同大小的病变，即小病变的细节纹理信息在大尺度图像上更明显，而大的病变更容易用小尺度图像捕获，因为相对大的视场使得卷积核能够覆盖大部分（如果不是全部的话）病变区域
尺度不变正则化，以确保来自不同尺度的同一图像的CAM的一致性，其定义为：
F：特征图
R：rescale操作
Pseudo-Mask-Guided Pixel-Wise Segmentation
在逐像素分割阶段，一旦训练了聚类模型，就可以使用编码器Q的瓶颈特征来生成伪掩码。
为了获得用于优化分割解码器S的更精确的伪掩码，我们进一步利用多尺度信息来获得自适应的CAM。如果我们用M来表示CAM，那么可以通过融合不同尺度的CAM来获得适配的CAM
通过阈值化（根据经验设置为0.5）进一步对自适应的CAM进行二值化，并通过主动轮廓模型（active contour model）进行细化作为伪标签
实验结果
