基于超声数据合成的附件包块分割
图像与视频处理
2022-09-27 v1 计算机视觉与模式识别
机器学习
摘要
卵巢癌是最致命的妇科恶性肿瘤。该疾病在早期阶段通常无症状，其诊断依赖于对经阴道超声图像的专家评估。超声是表征附件包块的一线成像方式，它需要大量专业知识且其分析具有主观性和劳动密集性，因此容易出现误差。因而，在临床实践中期望实现流程自动化以辅助并标准化扫描评估。利用监督学习，我们已证明附件包块分割是可行的，然而，患病率和标签不平衡限制了在代表性不足类别上的性能。为此，我们应用一种新颖的病理特异性数据合成器。我们通过使用泊松图像编辑(Poisson image editing)将较不常见的包块整合到其他样本中，从而创建带有相应真实分割的合成医学图像。我们的方法在所有类别上均取得最佳性能，与 nnU-Net 基线方法相比提升高达 8%。
引用
@article{arxiv.2209.12305,
title = {Adnexal Mass Segmentation with Ultrasound Data Synthesis},
author = {Clara Lebbos and Jen Barcroft and Jeremy Tan and Johanna P. Muller and Matthew Baugh and Athanasios Vlontzos and Srdjan Saso and Bernhard Kainz},
journal= {arXiv preprint arXiv:2209.12305},
year = {2022}
}