使用跨模态域适应在无标注腹部 MRI 中进行脂肪组织分割
图像与视频处理
2020-05-13 v1 计算机视觉与模式识别
医学物理
摘要
腹部脂肪量化至关重要，因为多个重要器官位于该区域。尽管计算机断层扫描（CT）是对身体脂肪进行分割的高敏感度模态，但它涉及电离辐射，这使得磁共振成像（MRI）成为用于此目的的更佳替代方案。此外，MRI 中优异的软组织对比度可以带来更准确的结果。然而，在 MRI 扫描中分割脂肪非常耗费人力。在本研究中，我们提出了一种基于深度学习技术的算法，通过跨模态适应从 MR 图像中自动量化脂肪组织。我们的方法不需要对 MR 扫描进行有监督标注，相反，我们利用循环生成对抗网络（C-GAN）构建了一个流水线，将现有的 MR 扫描转换为等效的合成 CT（s-CT）图像，其中由于 CT 图像中 HU（Hounsfield 单位）的描述性质，脂肪分割相对容易。MRI 扫描的脂肪分割结果由专家放射科医师进行了评估。对我们分割结果的定性评估显示，MR 图像中内脏脂肪和皮下脂肪分割的平均成功得分分别为 3.80/5 和 4.54/5。
引用
@article{arxiv.2005.05761,
title = {Adipose Tissue Segmentation in Unlabeled Abdomen MRI using Cross Modality Domain Adaptation},
author = {Samira Masoudi and Syed M. Anwar and Stephanie A. Harmon and Peter L. Choyke and Baris Turkbey and Ulas Bagci},
journal= {arXiv preprint arXiv:2005.05761},
year = {2020}
}
备注
5 pages,7 figures, EMBC 2020 conference