无真值解剖约束对比学习用于合成分割
计算机视觉与模式识别
2021-07-13 v1 人工智能
图像与视频处理
摘要
通常需要大量人工分割来训练鲁棒的分割网络，使其能在新成像模态中分割感兴趣对象。若可利用一种成像模态（如 CT）中的人工分割来训练另一种成像模态（如 CBCT/MRI/PET）中的分割网络，则可减轻人工负担。本工作中，我们提出了解剖约束对比合成分割网络（AccSeg-Net），以在无需目标成像模态真值的情况下训练其分割网络。具体而言，我们提出使用解剖约束与块对比学习，在无监督适配过程中确保解剖保真度，从而使分割网络能在具有正确解剖结构/内容的适配图像上训练。我们的 AccSeg-Net 训练数据包括：1）源模态中配分割真值的成像数据；2）未配对的源与目标模态成像数据。我们在 CBCT、MRI 和 PET 成像数据上展示了成功应用，并显示出优于先前方法的分割性能。
引用
@article{arxiv.2107.05482,
title = {Anatomy-Constrained Contrastive Learning for Synthetic Segmentation without Ground-truth},
author = {Bo Zhou and Chi Liu and James S. Duncan},
journal= {arXiv preprint arXiv:2107.05482},
year = {2021}
}
备注
Accepted at MICCAI 2021