基于动态相关性的自适应对比学习用于多期相器官分割
计算机视觉与模式识别
2022-10-18 v1 机器学习
摘要
近期研究已证明，在多期相计算机断层扫描（CT）的多器官分割中，将“扫描级”对比标签引入对比学习可取得优越性能。然而，此类扫描级标签存在局限：（1）一种粗粒度分类，无法捕捉跨所有器官的细粒度“器官级”对比差异；（2）标签（即对比期相）通常由人工提供，易出错且可能引入定义期相的人工偏差。在本文中，我们提出一种新颖的数据驱动对比损失函数，其在每个最小批次中于器官级别自适应样本间的相似/不相似对比关系。具体而言，由于器官间存在可变水平的对比度，我们假设器官级的对比差异能为定义潜在空间中的表示提供额外上下文。我们利用一键注意力图下的平均器官强度计算器官级对比相关矩阵。自适应该器官驱动相关矩阵的目标是建模不同期相上可变水平的特征可分性。我们在非对比 CT（NCCT）数据集和 MICCAI 2015 BTCV Challenge 对比增强 CT（CECT）数据集上评估了所提方法的多器官分割性能。相较于最先进（state-of-the-art）方法，我们提出的对比损失在 NCCT 和 CECT 队列的所有器官平均 Dice 分数上分别取得 1.41%（从 0.923 至 0.936，p-value0.01）和 2.02%（从 0.891 至 0.910，p-value0.01）的显著改进。我们进一步用 MICCAI 2021 FLARE Challenge CECT 数据集评估训练模型性能，取得平均 Dice 分数从 0.927 至 0.934（p-value0.01）的显著提升。代码见：https://github.com/MASILab/DCC_CL
引用
@article{arxiv.2210.08652,
title = {Adaptive Contrastive Learning with Dynamic Correlation for Multi-Phase Organ Segmentation},
author = {Ho Hin Lee and Yucheng Tang and Han Liu and Yubo Fan and Leon Y. Cai and Qi Yang and Xin Yu and Shunxing Bao and Yuankai Huo and Bennett A. Landman},
journal= {arXiv preprint arXiv:2210.08652},
year = {2022}
}
备注
11 pages