用于前庭神经鞘瘤与耳蜗分割的 3D 多风格跨模态分割框架
计算机视觉与模式识别
2023-11-21 v1
摘要
crossMoDA2023 挑战赛旨在利用带标签的 ceT1 扫描，对无标签 hrT2 扫描中的前庭神经鞘瘤（细分为内听道内和內听道外组分）及耳蜗区域进行分割。在本工作中，我们针对 crossMoDA2023 挑战赛提出了一种 3D 多风格跨模态分割框架，包括多风格翻译与自训练分割两个阶段。考虑到多机构扫描中异质分布与不同图像尺寸，我们首先采用最小-最大归一化、体素尺寸重采样和中心裁剪，从 ceT1 与 hrT2 扫描中获取固定尺寸的子体数据用于训练。随后，我们执行多风格图像翻译阶段，以克服非配对多模态扫描间的强度分布差异。具体而言，我们设计了三种具有 2D 或 2.5D 输入的翻译网络，由带标签的 ceT1 体数据生成多风格且逼真的类目标体数据。最后，我们在目标域执行自训练体数据分割阶段，采用 nnU-Net 框架与基于伪标签的迭代自训练方法，在无标签目标域中训练精确的分割模型。在 crossMoDA2023 验证数据集上，我们的方法取得了有前景的结果，对 VS 肿瘤与耳蜗区域分别达到平均 DSC 值 72.78% 与 80.64%、ASSD 值 5.85 mm 与 0.25 mm。此外，对內听道内与內听道外区域，我们的方法分别取得 DSC 值 59.77% 与 77.14%。
引用
@article{arxiv.2311.11578,
title = {A 3D Multi-Style Cross-Modality Segmentation Framework for Segmenting Vestibular Schwannoma and Cochlea},
author = {Yuzhou Zhuang},
journal= {arXiv preprint arXiv:2311.11578},
year = {2023}
}
备注
Technical report of cmda2023 challenge