通过强制跨域特征图一致性适应 CT 重建核
图像与视频处理
2022-03-29 v1 计算机视觉与模式识别
摘要
深度学习方法在为胸部计算机断层扫描（CT）图像中冠状病毒病（COVID-19）的分析提供重要辅助，包括识别、严重程度评估和分割。尽管早期开发的方法解决了数据和特定标注的缺乏问题，当前目标是利用更大数据池构建用于临床的鲁棒算法。随着数据集增大，域偏移问题出现，影响方法在未见数据上的性能。CT 图像中域偏移的一个关键来源是用于从原始数据（正弦图）生成图像的重建核差异。本文中，我们展示了在平滑重建核上训练并在锐利重建核上测试的模型，其 COVID-19 分割质量下降。此外，我们比较了几种解决该问题的域适应方法，如任务特定增强和无监督对抗学习。最后，我们提出了称为 F-Consistency 的无监督适应方法，其优于先前的方法。我们的方法利用一组未标注 CT 图像对，每对图像仅重建核不同。它通过最小化配对特征图之间的均方误差（MSE）来强制网络隐藏表示（特征图）的相似性。我们展示该方法在具有未见锐利核的测试数据集上取得了 0.64 的 Dice 分数，而基线模型为 0.56。此外，F-Consistency 在配对图像预测间的 Dice 分数为 0.80，几乎是基线分数 0.46 的两倍并超越了其他方法。我们还展示了 F-Consistency 能更好地泛化到未见核以及无特定语义内容（例如存在 COVID-19 病灶）的情况。
引用
@article{arxiv.2203.14616,
title = {Adaptation to CT Reconstruction Kernels by Enforcing Cross-domain Feature Maps Consistency},
author = {Stanislav Shimovolos and Andrey Shushko and Mikhail Belyaev and Boris Shirokikh},
journal= {arXiv preprint arXiv:2203.14616},
year = {2022}
}