MICCAI 2017年論文

Overview：

視杯視盤精確分割後，就可以計算杯盤比了，杯盤比是青光眼疾病的主要manifestation。以往的方法往往采用監督學習的方法，這樣需要大量的精確像素級別的標定。而這些標定非常費時間。所以本文為了解決這個問題，提出了一個半監督學習的方法，從一堆沒有標簽的數據中繼承一些相似的特征，然後根據少量的有標簽的圖像訓練一個分割模型。具體地，首先采用variational autoencoder從沒有標簽的圖像中學習生成模型的參數，這樣，這個訓練好的生成模型提供了一個很好的feature embedding，在這個latent feature space中，觀測圖像就會聚成一簇一簇的。然後，將feature embedding與segmentation autoencoder相結合。這個segmentation autoencoder是在少量的標簽數據集上訓練得到的，可以獲得視杯的分割。

創新點：將生成學習用於半監督的分割方法中。

基本流程：

（image auto-encoder， Generative Variational Autoencoder, GVAE）生成模型學習：用variational autoencoder學習生成模型的參數，autoencoder包含兩個部分，一個是將圖像映射到因變量空間，用隱變量z表示圖像，叫做encoder network。一個是用隱空間變量對圖像進行重構，叫做decoder network。

(image segmentation) segmentation variational autoencoder （SVAE）也包含兩個部分：一個是segmentation encoder，學習分割模型的因變量表示V，一個是segmentation decoder，將分割模型的因變量表示x作為輸入，學習分割的參數，輸出segmentation mask。為了利用image auto-encoder從未標記數據中獲得的信息，SVAE不僅需要對segmentation mask進行重構，還需要對從GVAE中學到的latent representation x進行重構。所以，loss function為：

實驗：

數據：EyePACS， 12000張眼底圖像。從中選600張進行了標記。600張中400張用來做訓練，200張用來做測試。實驗結果如下：

第一列：訓練集中使用的圖像的數量，相比於Unet有一個百分點的提升。而本身所使用的segmentation autoencoder相比於Unet，使用更少的數據進行訓練的時候，分割精度也比Unet高，說明本身所使用的SVAE的泛化能力要優於Unet的。

最後，看論文Auto-Encoding Variational Bayes，code

Semi-supervised Segmentation of Optic Cup in Retinal Fundus Images Using Variational Autoencoder 論文筆記