AdLER：基于标签误差校正对抗训练的一次性医学图像分割方法
图像与视频处理
2023-09-06 v1 计算机视觉与模式识别
摘要
医学图像的准确自动分割通常需要带有高质量标注的大规模数据集，由于训练数据有限，其在临床环境中的应用受到限制。基于学习变换的一次性分割(OSSLT)在标注数据极度匮乏时展现出潜力，通常包括无监督可变形配准、利用学习到的配准进行数据增强，以及从增强数据中学习分割。然而，现有的一次性分割方法面临增强过程中数据多样性有限，以及由不完美配准引起的潜在标签误差等挑战。为解决这些问题，我们提出了一种结合对抗训练与标签误差校正(AdLER)的新型一次性医学图像分割方法，旨在提升生成数据的多样性并校正标签误差，从而增强分割性能。具体而言，我们实现了一种新颖的双重一致性约束，以确保解剖对齐的配准，从而减少配准误差。此外，我们开发了一种对抗训练策略来增强图谱图像，既保证了生成多样性，又确保了分割鲁棒性。我们还提出通过估计分割不确定性来校正增强图谱图像中的潜在标签误差，这可弥补可变形配准的不完美性并提升分割真实性。在CANDI和ABIDE数据集上的实验表明，所提出的AdLER在基于Dice分数的分割上分别优于先前最先进的方法0.7%(CANDI)、3.6%(ABIDE“seen”)和4.9%(ABIDE“unseen”)。源代码将发布于https://github.com/hsiangyuzhao/AdLER。
引用
@article{arxiv.2309.00971,
title = {AdLER: Adversarial Training with Label Error Rectification for One-Shot Medical Image Segmentation},
author = {Xiangyu Zhao and Sheng Wang and Zhiyun Song and Zhenrong Shen and Linlin Yao and Haolei Yuan and Qian Wang and Lichi Zhang},
journal= {arXiv preprint arXiv:2309.00971},
year = {2023}
}