面向稀缺数据的广义少样本医学图像分割统一框架
计算机视觉与模式识别
2021-10-19 v1
摘要
医学图像分割利用深度神经网络（DNNs）取得了显著进展。然而，DNNs 通常需要大量数据和标注进行训练，而这两者往往难以获取且成本高昂。在本工作中，我们提出了一种基于距离度量学习（DML）的广义少样本（单样本和少样本）医学图像分割统一框架。与大多数仅处理标注缺失而假设数据充足的方法不同，我们的框架适用于两者均极度稀缺的情况，这对于罕见疾病十分理想。通过 DML，该框架为每个类别学习多模态混合表示，并基于像素深度嵌入与类别表示之间的余弦距离进行密集预测。多模态表示有效利用了受试者间的相似性和类内差异，以克服因数据极度有限导致的过拟合。此外，我们为多模态混合分布提出了自适应混合系数，以自适应地强调更适合当前输入的模式。这些表示被隐式嵌入为 fc 层的权重，从而可以通过前向传播高效计算余弦距离。在我们针对脑部 MRI 和腹部 CT 数据集的实验中，所提出的框架在少样本分割上取得了优于标准基于 DNN 的（3D U-Net）和经典基于配准的（ANTs）方法的性能，例如，在仅使用单个训练样本的情况下，脑组织/腹部多器官分割的平均 Dice 系数分别达到 81%/69%，而 U-Net 和 ANTs 则分别为 52%/31% 和 72%/35%。
引用
@article{arxiv.2110.09260,
title = {A Unified Framework for Generalized Low-Shot Medical Image Segmentation with Scarce Data},
author = {Hengji Cui and Dong Wei and Kai Ma and Shi Gu and Yefeng Zheng},
journal= {arXiv preprint arXiv:2110.09260},
year = {2021}
}
备注
Published in IEEE TRANSACTIONS ON MEDICAL IMAGING