A$^3$DSegNet：用于非配对分割、伪影消减与模态转换的解剖感知伪影解耦分割网络
图像与视频处理
2021-03-10 v3 计算机视觉与模式识别
摘要
脊柱手术规划需要对锥束计算机断层扫描（CBCT）中的椎体进行自动分割，CBCT 是一种在介入中广泛使用的术中成像模态。然而，由于噪声、组织对比度差以及金属物体的存在，CBCT 图像质量低且充满伪影，使得椎体分割（即便是手动）也是一项艰巨任务。相比之下，存在大量无伪影、高质量的带有椎体标注的 CT 图像。这促使我们利用带有标注的非配对 CT 图像来构建 CBCT 椎体分割模型。为克服 CBCT 与 CT 之间的域差距与伪影差距，必须同时解决椎体分割、伪影消减和模态转换这三个异构任务。为此，我们提出了一种新颖的解剖感知伪影解耦与分割网络（ADSegNet），该网络深度利用这三个任务的知识共享来促进学习。具体而言，它随机取一对 CBCT 和 CT 图像作为输入，并通过从解耦的潜层进行不同的解码组合来操控合成与分割。接着，通过提出合成图像之间及分割椎体之间的多种形式的一致性，无需配对（即解剖学上相同）数据即可实现学习。最后，我们将 2D 切片堆叠并在其上构建 3D 网络以获得最终 3D 分割结果。在大量临床 CBCT（21,364）和 CT（17,089）图像上的广泛实验表明，所提出的 ADSegNet 显著优于针对各任务独立训练的最先进竞争方法，并且值得注意的是，它在非配对 3D CBCT 椎体分割中取得了 0.926 的平均 Dice 系数。
引用
@article{arxiv.2001.00339,
title = {A$^3$DSegNet: Anatomy-aware artifact disentanglement and segmentation network for unpaired segmentation, artifact reduction, and modality translation},
author = {Yuanyuan Lyu and Haofu Liao and Heqin Zhu and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2001.00339},
year = {2021}
}
备注
Accepted by IPMI 2021