A2V：一种通过两阶段训练血管造影到静脉造影翻译实现脑血管分割的半监督域适应框架
图像与视频处理
2024-03-28 v2 计算机视觉与模式识别
机器学习
摘要
我们提出了一种用于不同图像模态下脑血管分割的半监督域适应框架。尽管现有的脑血管成像技术种类繁多，现有最先进的方法集中于单一模态。这可能导致显著的分布偏移，对跨模态的泛化能力产生负面影响。通过依赖已标注的血管造影图像和数量有限的已标注静脉造影图像，我们的框架实现了图像到图像的翻译和语义分割，利用解耦且语义丰富的潜空间来表示异构数据，并从源域到目标域执行图像级适应。此外，我们降低了基于循环架构的典型复杂度，并最小化对抗训练的使用，从而构建一个高效且直观、训练稳定的模型。我们在磁共振血管造影和静脉造影上评估了我们的方法。虽然在源域取得了最先进的性能，我们的方法在目标域的 Dice 系数仅低 8.9%，凸显了其在不同模态下鲁棒脑血管图像分割的潜力。
引用
@article{arxiv.2309.06075,
title = {A2V: A Semi-Supervised Domain Adaptation Framework for Brain Vessel Segmentation via Two-Phase Training Angiography-to-Venography Translation},
author = {Francesco Galati and Daniele Falcetta and Rosa Cortese and Barbara Casolla and Ferran Prados and Ninon Burgos and Maria A. Zuluaga},
journal= {arXiv preprint arXiv:2309.06075},
year = {2024}
}
备注
Accepted at the 34th British Machine Vision Conference (BMVC)