自监督血管分割中的对抗学习方法基于X射线血管造影的冠状动脉血管分割

7536基于对抗学习的自监督血管分割马宇欣1，杨华2，邓汉明1，宋涛1，王浩3，薛振贵1，曹恒4，马如辉1，关海兵11上海交通大学2贝尔法斯特女王3路易斯安那州立大学4上海市人民医院摘要血管分割对于诊断一系列疾病是至关重要的冠状动脉疾病和视网膜疾病。然而，由于微小且复杂的血管结构，注释医学图像的血管分割图是众所周知的挑战，导致现有监督方法和域自适应方法的可用注释数据集不足医学图像的细微结构和复杂背景进一步抑制了无监督方法的在本文中，我们提出了一种自监督血管分割方法，通过adversar- ial学习。我们的方法通过训练注意力引导的生成器和分割生成器来学习血管表示，以同时合成假血管并从冠状动脉血管造影片中分割血管。为了支持这项研究，我们还建立了第一个X射线血管造影冠状动脉血管分割数据集，命名为XCAD。我们在多个血管分割数据集（包括XCAD数据集、DRIVE数据集和STARE数据集）上广泛评估了我们的方法。实验结果表明，与监督方法和传统方法相比，该方法显著抑制了非监督方法，取得了较好的性能。1. 介绍冠状动脉疾病作为最常见的心脏病，是世界上主要的死亡原因之一。冠状动脉粥样硬化阻碍血液正常流入心脏，最终导致心脏病发作。在各种成像模式中，X射线血管造影被视为冠状动脉疾病诊断的金标准由于X射线血管造影术能够以高分辨率快速显示小血管分支，因此其已经被广泛用于医学诊断中以确定冠状动脉狭窄的存在、位置、程度和范围从冠状动脉造影图像中准确地估计细微血管结构是至关重要但具有挑战性的把离子降到最低在X射线冠状血管造影术期间使用低功率X射线，这减少了患者和医务人员的辐射暴露，通常导致噪声和低对比度的冠状血管造影。结果，难以将血管与共享与血管结构相似的外观的背景伪影1在X射线冠状动脉造影采集期间，使用特殊的心脏导管将造影剂注入冠状动脉。随着造影剂的作用，血管逐渐显露，在X射线下留下一系列冠状动脉造影图像在这样的冠状动脉血管造影序列中，没有注射造影剂的第一帧是掩模帧。面罩框中未显示血管。相反，具有完全注射的对比剂的框架被称为对比框架。请注意，在本文中，我们使用冠状动脉造影片来特别指示对比帧。血管显示在冠状动脉造影片中。我们的目标是分割血管的冠状动脉造影。现有的血管分割方法可以分为四个主要类别：传统方法[17，23]，监督方法[8，25]，域自适应方法[3，31]，和无监督方法[4，15]。传统的方法通常是基于预定义的规则，需要显着的专业知识和手动模型调整，导致有限的模型表达能力和通用性。监督方法需要大量的注释数据用于训练，尽管公共的大规模注释血管数据集实际上是不可用的。复杂的血管结构由许多微小的分支组成，这些分支很容易消失在图像背景伪影中，使得手动注释过程极其费力和耗时，即使对于专业医学专家也是如此。领域自适应方法的有效性在很大程度上取决于标注的源领域数据集的质量，并受到源领域和目标领域之间的差距的约束现有的用于自然图像的无监督分割方法，例如1注意，本文使用伪影来表示因子（例如，隔膜、导管和骨头），使得分割困难。7537像动物和花一样，由于其棘手的特性-许多微小的分支和令人困惑的背景伪影，很难在医学图像上工作现有的自监督方法[6，24]通过解决大规模未标记数据上的其他借口任务来然而，由于语义分割的复杂性，没有现有的自监督在本文中，我们开发的冠状动脉造影序列的具体特点，并设计了一种新的自监督血管分割方法。具体来说，我们建议通过同时训练两个对抗性网络来学习自监督血管表示，这两个网络在掩码帧上合成假血管并从冠状动脉造影片中分割血管这些学习的血管表示可以通过直接使用预训练模型来应用于多个血管在没有标记血管分割图的情况下，我们设计了一个用于自监督学习的分形合成模块。然后利用由分形合成模块合成的分形来指导血管的生成，并用作合成假冠状动脉血管造影片的分割图。我们引入了一个注意力引导生成器，以确认合成假冠状动脉血管造影片的血管匹配输入分割图。我们还将CycleGAN [39]中的循环一致性思想应用于分割任务。在我们的框架中，用于血管合成和分割的两个对抗网络形成一个循环，以生成重建的冠状动脉造影片和重建的分割图。我们进一步利用分割损失来加强分割图和重建分割图之间的一致性。为了支持我们的研究并促进其他研究人员的工作，我 们 创 建 了 一 个 X 射 线 血 管 造 影 冠 状 动 脉 疾 病（XCAD）数据集。XCAD数据集在训练集中包含1621个掩模帧和1621个冠状动脉血管造影片，在测试集中包含由经验丰富的放射科医师注释的126个冠状动脉血管造影片在XCAD数据集上的实验此外，我们的方法在DRIVE数据集[34]和STARE数据集[13]上显示出与其他视网膜血管分割方法竞争的性能本文的主要贡献概括如下：• 据我们所知，我们是第一个设计一种用于血管分割的自监督方法。我们的方法解决了冠状动脉血管造影和视网膜图像的血管分割任务，与自监督的血管表示学习从unannotated冠状动脉血管造影图像。• 我们制造并发布了第一台X射线血管造影冠状-无动脉疾病（XCAD）数据集2.• 我们的方法在XCAD数据集、DRIVE数据集和STARE数据集上显示出非常有竞争力的性能。2. 相关工作2.1. 血管分割的传统方法传统的血管分割方法[17，23]需要为特定图像设计预定义的规则。Khan等人[17]设计了几种用于视网膜图像去噪、增强以及最终用于血管分割的滤波器Memari等人[23]提出了首先使用对比度受限的自适应直方图均衡和几个滤波器来增强视网膜图像。然后，他们利用遗传算法增强的空间模糊c-均值方法提取初始血管分割图。最后，分割进一步细化的综合水平集方法。具有手动设计策略的传统方法只能用于特定任务并且具有差的可扩展性，例如，用于视网膜血管分割的方法不能解决冠状血管分割问题。相比之下，我们的方法成功地解决了视网膜血管分割和冠状动脉血管分割的问题此外，该方法还具有可扩展性，易于实现.2.2. 有监督的血管分割方法在监督血管分割的早期阶段，Es- fahani等人 [25]使用Top-Hat变换来增强输入血管造影片。然后，血管区域可以通过训练卷积神经网络（CNN）与补丁的数量来Khowaja等人[18]在倒置的绿色通道上应用双向直方图均衡Soomro等人[33]利用模糊逻辑和图像处理策略进行预处理，并去除噪声像素进行后处理。这些方法需要专门设计的预处理和后处理策略。掩模图像用于区分血管和伪影，并去除背景伪影的影响。Yang等[37]利用DeepMatching方法[30]进行掩模帧和冠状动脉造影片之间的配准，然后将两者用作多通道输入，以提供血管结构的增强信息。该方法的性能高度依赖于配对掩模帧和冠状动脉造影片的配准。相反，我们的方法不需要使用成对的掩模帧和冠状动脉造影片。UNet [32]主要用作血管分段的主干[8，33，36]。Fan等人[8]提出了一个八度2https://github.com/AISIGSJTU/SSVS7538UNet用于精确的视网膜血管分割，其采用倍频程卷积进行多空间频率特征学习。Yang等[36]研究了在带注释的数据集上使用UNet对X射线冠状动脉造影片中的主要血管进行分割。监督方法需要复杂的血管注释。我们的方法通过自监督学习减轻了血管注释负担。2.3. 领域自适应方法域自适应[1]将知识从源域中的 对抗网络[9]用于许多语义分割任务[12，5]中的域适应对抗训练通过领域混淆生成领域不变特征。在此过程中，循环一致性通常用于构造[11，38]。在医学图像分割中，Douet al. [7]通过提出一种即插即用的对抗性域适应网络来研究CT和MRI之间的域适应，以对齐呈现显著域偏移的两个域的特征空间。一种域自适应方法MMD[3]提出了通过最小化源域和目标域之间的最大平均差异来进行脑组织分割YNet [31]通过正则化编码器特征将这些方法无法处理在近源域中缺乏大规模注释数据集的任务。然而，我们的方法不需要任何注释的数据集作为源域。2.4. 无监督分割方法Xu等[15]提出了一种称为不变信息聚类的方法它能自动地将输入图像划分为被识别为不同语义类的聚类。另一种名为ReDO [4]的方法利用对抗架构来提取输入的对象掩码，然后在相同位置用不同的纹理或颜色重新绘制一个新对象。由于医学图像的分割对象和背景非常相似，难以区分，这些方法在医学图像分割上效果不佳。相比之下，我们的方法考虑到了医学图像的特点，并在冠状动脉造影和视网膜图像的血管分割上优于这些方法2.5. 自监督表示学习自监督学习方法构造从大规模无监督数据中学习表示的借口。通过预测两个图像块之间的相对位置来学习空间表示[6，26]。类似的研究为图像修复设计了借口任务[28]，超分辨率[21]和图像彩色化[20]。不同于单一的托词任务，Renet al. [29]从多任务（包括深度、表面法线和实例轮廓）中学习到更通用的高级视觉表示。Misra等人[24]采用暹罗网络并行输入多个视频帧，并通过混洗图像序列来学习时间表示。Xu等[35]通过对3D剪辑的顺序进行排序来学习空间和时间信息SpeedNet [2]从完整视频序列的输入这些学习到的表示被证明有助于动作识别，图像分类和对象检测任务，通过在注释数据集上微调预训练模型然而，它是很难设计一个合适的借口任务和学习有用的表示，复杂的语义分割。我们建议使用分形合成模块进行自监督学习。我们的方法通过对抗性血管合成和分割来学习血管分割的表示。3. 方法3.1. 概述在本节中，我们介绍了所提出的方法的细节。我们使用不成对的mask帧mask和冠状动脉造影realY作为输入，同时生成伪冠状动脉造影和血管分割图。图1描述了整个框架的图示。首先，分形合成模块按照设计的策略合成随机分形实X。这些合成的分形被进一步用于引导掩模帧上然后，注意力引导的生成器利用分形realX和掩码帧mask作为输入，并且生成假冠状动脉血管造影片fakeY。在此之后，分形可以被视为对应的假冠状动脉造影片的血管分割图最后，分割生成器将血管从冠状动脉血管造影片中分割出来，并恢复血管分割图recX，其形成重建周期，如图1的上部橙色区域。类似地，冠状动脉血管造影重建周期显示在图1的底部蓝色区域中。对于输入冠状动脉血管造影片realY，分割生成器产生分割图fakeX。这些分割图被进一步输入到注意力引导生成器中以重建冠状动脉血管造影图recY。3.2. 分形合成模块分形是用数学公式表示的简单图形.它表明，分形可以作为-sistin学习图像表示识别自然场景和对象。Kataoka等人通过在自动生成的分形数据库上预训练分类网络来辅助自然图像理解[16]。然而，在这方面，7539Ⓢ分割损失分段鉴别器realXGY注意力引导发生器掩模fakeyYrecXrealYfakeXRecyGY注意力引导发生器Gx分段生成器Gx分段生成器分形合成模块冠状动脉造影重建丢失冠状动脉造影鉴别器图1.所提出的方法的框架。X表示分割图，Y表示冠状动脉造影照片。分形合成模块合成分割图realX用于自监督学习。注意引导生成器生成假冠状动脉血管造影片fakeY，而分割生成器从输入冠状动脉血管造影片realY获得分割图fakeX。两个发生器被应用两次并完成两个重建周期，获得重建的分割图recX和重建的冠状动脉血管造影图recY。两个重建周期分别显示在上部橙色区域和底部蓝色区域中。实线表示数据流，虚线表示损失函数的值流。最好用彩色观看。分形的一个局限性在于，所呈现的分形图案由不具有纹理的离散点组成，这限制了分形的应用。因此，我们建议使用合成分形作为分割图，并将来自注意力引导生成器的真实纹理添加到这些分形。与Fractal数据库通过设计一个函数在黑色背景上绘制点来合成不同的分形不同，我们通过在黑色背景上绘制矩形并在其上添加局部变形来我们设计一个分形空间如下：X={（Draw，sd），（Affine，sa），（Rotate，sr）}，（1）其中Draw绘制具有分支的随机矩形，并且sd控制分支的深度。 此外，Affine适用于具有随机尺度S的分段仿射变换，以在这些矩形上添加局部失真并使它们呈现弯曲形状。分段仿射变换将点的规则网格放置在输入上，并且经由仿射变换随机地移动这些点的邻域。Rotate应用具有随机角度sr的旋转，以使分形呈现更多不同的形状。由于篇幅的限制，本文将对分形合成的更多细节进行介绍在补充材料中我们可以在空间X中合成任意数量的随机分形。3.3. 注意力引导发生器注意力引导生成器的目的是在掩模帧上生成给定分形形状的血管，并将掩模帧变换为冠状动脉血管造影照片。冠状动脉造影片和掩模帧之间的主要区别是血管的存在和不存在。因此，注意力引导生成器仅在特定区域上生成血管，并且保持其余部分不变。分割图使某些特定区域获得更多聚焦，使合成血管的区域与聚焦区域相匹配。我们利用以下公式将合成血管限制在特定区域上并计算输出冠状动脉造影片fakeyY=realXG（realX）+（1−realX）mask，（2）其中realX、mask和fakeY分别表示分割图、输入掩模帧和输出冠状动脉表示Hadamard乘积。G（）是用于将分割图的纹理样式转换为血管的纹理样式的生成网络。我们使用realXG（realX）生成具有形状的假血管7540--LLLǁ−ǁ- -2−L的分割映射realX和真实血管的纹理。然后，我们将血管合并到掩模帧（1realX）掩模的背景区域，并获得假冠状动脉血管造影假Y。注意引导发生器被应用两次以完成重建周期。对于分割图fakeX，我们得到具有如下类似公式的重建冠状动脉血管造影recYrecY=fakeX G（fakeX）+（1− fakeX）realY。（三）注意，我们的方法不需要掩码帧和冠状动脉血管造影片的配对输入。我们直接使用真实的冠状动脉血管造影片realY作为背景，避免了麻烦的掩模帧和冠状动脉血管造影片的对齐。3.4. 优化目标3.4.1对抗性损失对于每一个生成器，迭代地训练一个博弈者以两个博弈者极大极小的方式与生成器竞争。注意力引导的生成器GY试图生成看起来类似于冠状动脉血管造影片的图像，而冠状动脉血管造影片鉴别器DY试图区分真实和假冠状动脉血管造影片。我们使用LSGAN [22]启发的MSE损失来计算对抗损失。发电机的对抗损失有以下形式冠状动脉造影重建丢失。冠状动脉血管造影重建损失rec旨在加强重建冠状动脉血管造影recY和输入冠状动脉血管造影realY之间的一致性。表达为Lrec（GY，GX，Y）=LL1（recY，realY）=EY~p数据（Y）[G Y（G X（Y））Y 1]。（六）分段丢失。分割损失seg旨在加强重建的分割图recX和输入分割图realX之间的一致性。 作为语义分割的一种特殊情况，冠状动脉血管分割应该以来自冠状动脉血管造影片的准确分割换句话说，这是针对冠状动脉造影图中的所有像素的二元分类问题。因此，地面实况分割图realX和预测分割图recX之间的二进制交叉熵损失BCE被用作分割损失，如以下等式Lseg（GX，GY，X）= LBCE（recX，realX）=EX~p数据（X）[XlogGX（GY（X））+（1X）log（1GX（GY（X）]。（七）3.4.3全面优化目标综上所述，客观上完全丧失了两个LadvG（GY，DY，X，Y）（四）生成器可以被公式化如下：=EX~p 数据 （X）[（1 − D Y（G Y（X）2]。L=LadvG （GY，DY，X，Y）+LadvG （GX，DX、Y、X）其目的是利用冠状动脉血管造影片鉴别器提高输出冠状动脉血管造影片的似真性，从而欺骗鉴别器，使其认为所生成的GY（X）是真实的。同时，冠状动脉血管造影片区分器DY试图区分所生成的GY（X）是假的以及真实的Y是真实的，其中对抗性损失为以下形式L_advD（ G_Y， D_Y，X，Y）=E_X~p_data （ X ）[（D_Y（G_Y（X）]+λ1Lrec（GY，GX，Y）+λ2Lseg（GX，GY，X），（8）其中λ1和λ2是控制客观项的相对关系的参数。4. 实验4.1. 数据集XCAD数据集。 我们做一个X光冠状动脉造影+EY~p数据 （Y）[（IDY（Y））2]。（五）冠状动脉疾病（XCAD）数据集，冠状动脉血管造影图像在支架置入期间使用通用类似地，分割生成器GX尝试使用advG（GX，DX，Y，X）生成看起来类似于分割图的图像，而分割鉴别器DX尝试区分真实和伪分割。具有LadvD（GX，DX，Y，X）的空间映射。3.4.2循环一致性损失对抗性损失本身不能保证发电机获得期望的输出。我们使用循环一致性来限制没有配对输入的训练。7541×电动Innova IGS 520系统。每个图像具有512 - 512像素的分辨率，一个通道。火车-一套包含1621个掩模帧和1621个冠状动脉造影片。测试集包含126张独立的冠状动脉血管造影片，血管分割图由经验丰富的放射科医生注释。注意，训练集和测试集没有共享的样本。视网膜数据集。我们进一步使用两个公共数据集来验证所提出的方法的有效性。DRIVE数据集[34]由40张彩色视网膜图像组成，大小为565 × 584像素。STARE数据集[13]包含20个7542→图2.冠状血管分割的可视化700 × 605像素的彩色视网膜图像。所有图像都经过裁剪，然后调整为512 × 512像素。4.2. 评估指标度量Jaccard指数、Dice系数、准确度（Acc.）灵敏度（Sn.）和特异性（Sp.）用于在不同方面评估冠状动脉血管分割的性能，遵循论文[10]。在DRIVE数据集和STARE数据集中，类似于其他视网膜血管分割方法[8，33]，我们使用准确度、灵敏度、特异性和AUC作为评价指标。4.3. 实现细节开源库PyTorch [27]用于实现本文中的所有实验。培训是在一台128GB RAM的Linux机器上完成的，配有2块NVIDIA GTX 1080 Ti图形卡。Adam优化器[19]用于训练批量大小为2的分割网络所有网络都是从头开始训练的，最初的学习率为0.0002，持续10个epoch。然后，我们在接下来的100个历元中将速率线性衰减到零。网络架构重用现有的CycleGAN [39]。生成网络包含2个下采样层、9个残差块和2个上采样层。此外，我们认为，我们在注意力引导生成器中添加注意力层。鉴别器网络改编自PatchGAN [14]，其中包含4个卷积层和用于映射1维输出的最后一层。如CycleGAN中那样，等式8中的参数λ1和λ24.4. 实验结果4.4.1冠状血管分割表1报告了使用现有方法对冠状动脉血管造影片进行血管分割的性能。可视化分割结果如图2所示。我们首先将我们的方法与通常用于监督血管分割的UNet [32]进行比较。考虑到XCAD数据集的小尺寸，我们在126个注释图像上采用3倍交叉验证。尽管监督方法比我们的方法实现更高的性能，但监督方法需要耗时且劳动密集型的注释过程。然而，我们的方法不需要注释成本，仍然实现了高性能。在域自适应（DRIVE XCAD）中，网络在DRIVE数据集上进行预训练，并在XCAD数据集上进行测试。我们使用Unet [32]和两个状态--7543表1.XCAD数据集上冠状动脉血管分割的性能比较方法Jaccard骰子Acc.SN.Sp.监督方法UNet [32]0.571±0.0090.724±0.0100.981±0.0050.868±0.0110.996±0.004UNet [32]0.228±0.0200.365±0.0160.831±0.0180.444±0.0200.906±0.017域自适应MMD [3]0.262±0.0170.416±0.0210.873±0.0160.553±0.0110.920±0.013YNet [31]0.287±0.0150.434±0.0190.891±0.0120.523±0.0080.935±0.014无监督方法IIC [15]0.124±0.0520.178±0.0480.738±0.1070.487±0.0550.754±0.038恢复[4]0.151±0.0420.261±0.0370.753±0.0980.392±0.1080.923±0.018自我监督方法0.389±0.0150.557±0.0170.945±0.0090.583±0.0180.972±0.005表2.消融研究。方法Jaccard骰子Acc.SN.Sp.基地0.2290.3630.8500.3200.877基础+注意0.3050.4640.9020.4870.931基础+SegLoss0.3460.5110.9110.5520.945基础+注意+SegLoss0.3890.5570.9450.5830.972本领域的自适应方法MMD [3]和YNet [31]进行比较。即使有来自注释源域的知识，这些方法仍然不如我们的。具体地说，用我们的方法，Jaccard指数提高了35%以上，Dice系数提高了28%，准确性提高了6%，灵敏度提高了5%，特异性提高了4%无监督方法IIC [15]和ReDO [4]在灰度X射线图像上表现不佳，其中分割对象难以与背景区分开并且缺乏颜色信息。此外，ReDO方法非常不稳定，容易崩溃。有时它无法分割血管并输出全黑分割图。相比之下，我们的方法在所有五个指标上都优于这些非监督方法，并且表现出更稳定的性能。我们多次运行所有方法，并在表1中提供方差。4.4.2消融研究我们进行了消融研究，以评价不同组件和损失函数对分割质量的影响。结果示于表2中。我们测试以下四种设置。基地在这个设置中，我们使用CycleGAN [39]作为基线，它处理两个域的未配对图像到图像的转换。具体而言，我们使用由分形合成模块生成的合成分割图，如主X和冠状动脉造影作为域Y。虽然该基线可以从冠状动脉血管造影片中粗略地分割血管，但是分割质量不高，并且合成的假冠状动脉血管造影片与真实冠状动脉血管造影片非常不同基础+注意。注意力引导生成器帮助网络利用冠状动脉造影中的自监督信息。此外，分割质量提高，而合成的假冠状动脉血管造影片变得更逼真。基础+ SegLoss。用分割损失代替周期一致性损失广泛地改进了血管分割的性能基础+注意力+ SegLoss。最好的性能时，获得的注意力引导的发生器和分割损失都使用。去除分割损失实质上降低了性能，与去除注意力引导的生成器相同。因此，我们的结论是，注意力引导的发电机和分割损失都是至关重要的，我们的结果。4.4.3视网膜血管分割的跨域验证所提出的自监督方法可以解决不同的血管分割任务的基础上学习的血管表示从冠状动脉造影图像。在本节中，我们展示了我们的通用性和有效性7544图3.DRIVE和STARE数据集上视网膜血管分割的可视化表3.DRIVE和STARE数据集上视网膜血管分割的性能比较驱动器凝视方法直接使用在冠状动脉造影图像上预训练的模型进行视网膜血管分割的方法图3显示了我们的方法在DRIVE数据集和STARE数据集上的视觉分割结果。表3将我们的方法与现有方法进行了比较。与传统方法相比，我们的方法的AUC提高了0.3%的DRIVE数据集。虽然传统方法的整体性能略好于我们的方法，但它们是专门为视网膜血管分割设计的，需要复杂的处理步骤。相比之下，我们的方法可以解决多种血管分割任务，而不需要任何注释或预处理。当与监督方法相比，所提出的方法的性能只下降了不到7%的所有四个指标。我们的方法在很大程度上超过了无监督的方法。定量地，我们的方法在两个数据集上带来了超过20%的准确性改善、25%的灵敏度改善、6%的特异性改善和16%的AUC改善5. 结论在本文中，我们提出了一种新的自监督血管分割方法。与现有方法不同，我们的方法应用对抗学习从未注释的冠状动脉造影图像中学习血管表示。我们进一步成功地利用这些学到的表示，在冠状动脉血管分割和视网膜血管分割。在XCAD数据集、DRIVE数据集和STARE数据集上的实验结果表明了该方法的有效性。确认本工作得到国家自然科学基金（NO.1999.11）的部分资助。61872234，61732010，61525204），上海市可扩展计算与系统重点实验室和英特尔公司。感谢王硕对数据收集的贡献。Acc.SN.Sp.AUCAcc.SN.Sp.AUC[23]第二十三话0.9610.7610.9810.8710.9510.7820.9650.783汗[17]0.9580.7970.9730.8850.9960.7920.9980.895科瓦贾[18]0.9750.8180.9710.8950.9750.8240.9750.899受监督方法风扇[8]0.9660.7960.9820.8890.9740.8160.9870.901苏姆罗[33]0.9590.8020.9740.9480.9610.8010.9690.945无监督方法IIC [15]0.7380.6320.8400.7360.7100.5860.8320.709恢复[4]0.7610.5930.9270.7600.7560.5670.8990.733自我监督方法0.9130.7940.9820.8880.9100.7740.9800.8777545引用[1] Shai Ben-David 、 John Blitzer 、 Koby Crammer 、 AlexKulesza 、 FernandoPereira 和 JenniferWortmanVaughan。从不同领域学习的理论。Machine Learning，79（1）：151-175，2010. 3[2] Sagie Benaim 、 Ariel Ephrat 、 Oran Lang 、 InbarMosseri 、 William T Freeman 、 Michael Rubinstein 、Michal Irani和Tali Dekel。Speednet：学习视频中的速度在CVPR，2020年。3[3] Ro'gerBermu'dez-Chaco'n ， PabloMa'rquez-Neila ，MathieuSalzmann和Pascal Fua。一种用于电子显微镜图像分割的域自适应在ISBI，2018年。一、三、七[4] Mick aeülChen，ThierryArt ie`res，andLudo vicDen o ye r.通过重绘实现无监督对象分割。NeurIPS，2019。一、三、七、八[5] Jaehoon Choi，Taekyung Kim和Changick Kim。自组装与基于GAN的数据增强，用于语义分割中的局部自适应。在ICCV，2019年。3[6] Carl Doersch、Abhinav Gupta和Alexei A Efros。通过上下文预测的无监督视觉表示学习在ICCV，2015年。二、三[7] 齐斗，欧阳成，陈成，陈浩，和冯安恒.Convnets的无监督交叉模态域自适应用于具有对抗性损失的生物医学图像分割。在IJCAI，2018。3[8] Zhun Fan，Jiajie Mo，Benchang Qiu，Wenji Li，GuijieZhu，Chong Li，Jianye Hu，Yibiao Rong，and XinjianChen.基于倍频程卷积神经网络的精确视网膜血管分割。arXiv预印本arXiv：1906.12193，2019。一、二、六、八[9] Ian J Goodfellow，Jean Pouget-Abadie，Mehdi Mirza，Bing Xu ， David Warde-Farley ， Sherjil Ozair ， AaronCourville ， and Yoshua Bengio. 生 成 对 抗 网 络 。NeurIPS，2014。3[10] Mohammad Haft-Javaherian ， Martin Villiger ， Chris BSchaffer，Nozomi Nishimura，Polina Golland，and BrettE Bouma.拓扑编码卷积神经网络用于脑血管三维多光子图像的持续同源分割在CVPR研讨会，2020。6[11] Judy Hoffman 、 Eric Tzeng 、 Taesung Park 、 Jun-YanZhu、Phillip Isola、Kate Saenko、Alexei Efros和TrevorDarrell。Cycada：周期一致的对抗域适应。在ICML，2018。3[12] 洪伟祥，王珍珍，杨明，袁俊松.用于结构化域自适应的条件生成对抗网络在CVPR，2018年。3[13] 胡佛广告，瓦伦蒂娜·库兹涅佐娃，迈克尔·戈尔德-鲍姆。 通过 匹配滤 波器 响应的 分段 阈值探 测来 IEEETransactions on Medical Imaging，19（3）：203-210，2000。二、五[14] Phillip Isola，Jun-Yan Zhu，Tinghui Zhou，and Alexei AEfros.使用条件对抗网络的图像到图像翻译。在CVPR，2017年。6[15] XuJi，Jo a oFHenriques，andAndreaVedald i. 基于非监督信息聚类的图像分类与分割。在ICCV，2019年。一、三、七、八[16] HirokatsuKataoka 、 KazushigeOkayasu 、 AsatoMatsumoto 、 Eisuke Yamagata 、 Ryosuke Yamada 、Nakamasa Inoue、Akio Nakamura和Yutaka Satoh。没有自然图像的预训练。在ACCV，2020。3[17] Khan Bahadar Khan 、 Muhammad Shahbaz Siddique 、Muhammad Ahmad和Manuel Mazzara。一种用于视网膜血 管 分 割 的 混 合 非 监 督 方 法 BioMed ResearchInternational，2020，2020。一、二、八[18] Sunder Ali Khowaja 、 Parus Khuwaja 和 Imdad AliIsmaili。一种基于混合特征集和分层分类的眼底图像视网膜血管分割框架信号，图像和视频处理，13（2）：379二、八[19] Diederik P Kingma和Jimmy Ba。亚当：一种随机优化方法。2015年，国际会议。6[20] 古斯塔夫·拉尔森迈克尔·梅尔格雷戈里·沙赫纳洛维奇。着色作为视觉理解的代理任务。在CVPR，2017年。3[21] Chris t ianLedig ， LucasTheis ， FerencHusza'r ，JoseCaballero， AndrewCunningham ， AlejandroAcosta ， Andrew Aitken ， Alykhan Tejani ， JohannesTotz，Zehan Wang，et al.使用生成对抗网络的照片真实感单图像超分辨率。在CVPR，2017年。3[22] Xudong Mao ， Qing Li ， Haoran Xie ， Raymond YKLau，Zhen Wang，and Stephen Paul Smolley.最小二乘生成对抗网络。InICCV，2017. 5[23] Nogol Memari ， M Iqbal Bin Saripan ， SyamsiahMashohor，Mehrdad Moghbel，et al.基于匹配滤波和模糊 C- 均 值 聚 类 的 视 网 膜 血 管 Journal of Medical andBiological Engineering，39（5）：713-731，2019. 一、二、八[24] Ishan Misra ， C Lawrence Zitnick ， and Martial Hebert.Shuf- fle and Learn ： Unsupervised Learning usingTemporal Order Verification.在ECCV，2016年。二、三[25] Ebrahim Nasr-Esfahani等人使用深度学习的x射线血管造影图中的血管提取。在EMBC，2016年。一、二[26] Mehdi Noroozi和Paolo Favaro。通过解决Jigsaw Puzzles的视觉表示的无监督学习在ECCV，2016年。3[27] Adam Paszke等人 Pytorch：一种命令式风格，High-性能深度学习库。 NeurIPS，2019。6[28] Deepak Pathak 、 Philipp Krahenbuhl 、 Jeff Donahue 、Trevor Darrell和Alexei A Efros。上下文编码器：通过图像修复进行特征学习。在CVPR，2016年。3[29] Zhongzheng Ren和Yong Jae Lee。使用合成图像的跨域自监督多任务特征学习在CVPR，2018年。3[30] Je´ro meRev aud，PhilippeWeinzaepfel，Za dHarchaoui，andCordelia Schmid.深度匹配：分层可变形密集匹配。International Journal of Computer Vision，120（3）：300-323，2016。2[31] Joris Roels ， Julian Hennies ， Yvan Saeys ， WilfriedPhilips和Anna Kreshuk。电子显微成像中的区域自适应分割。在ISBI，2019年。一、三、七7546[32] Olaf Ronneberger，Philipp Fischer，and Thomas Brox. U-Net：用于生物医学图像分割的卷积网络.在MICCAI，2015年。二六七[33] Toufique Ahmed Soomro ， Ahmed J Afifi ， Ahmed AliShah，Shafiullah Soomro，Gulsher Ali Baloch，LihongZheng，Ming Yin，and Junbin Gao.图像增强技术对视网膜 血 管 分 割 CNN 模 型 的 影 响 。 IEEE Access ， 7 ：158183-158197，2019。二、六、八[34] JoesStaal，MichaelDAbra` mof f f，MeindertNiem eijer，MaxAViergever，and Bram Van Ginneken.视网膜彩色图像中基于脊线的血管分割。IEEE医学成像技术，23（4）：501-509，2004。二、五[35] 徐德静、肖军、周昭、简绍、谢帝、庄悦庭。通过视频剪辑顺序预测的自监督时空学习。在CVPR，2019年。3[36] 苏洋等人X射线冠状动脉造影中主要血管的深度学习分割科学报告，9（1）：1二、三[37] 杨思远、杨健、王亚晨、杨琦、艾丹妮和王永天基于多卷 积 神 经 网 络 的 X 射 线 冠 状 动 脉 图 像 自 动 分 割 在ICMIP，2018。2[38] Yue Zhang，Shun Miao，Tommaso Mansi，and Rui Liao.用于无监督领域自适应的任务驱动生成建模：应用于X射线图像分割。在MICCAI，2018年。3[39] Jun-Yan Zhu ， Taesung Park ， Phillip Isola ， Alexei AEfros.使用循环一致对抗网络的未配对图像到图像翻译。InICCV，2017. 二六七