用于非增强CT影像中可解释急性缺血性卒中梗死分割的非对称解耦网络
图像与视频处理
2022-07-01 v1 计算机视觉与模式识别
摘要
在非增强CT（NCCT）图像中准确分割梗死灶是迈向计算机辅助急性缺血性卒中（AIS）评估的关键一步。在临床实践中，通常利用大脑半球双侧对称比较来定位病理异常。近期研究已探索利用非对称性来辅助AIS分割。然而，以往大多数基于对称性的工作在计算其对AIS的贡献时，将不同类型的非对称性混在一起。本文提出一种新颖的非对称解耦网络（ADN），用于自动分离NCCT中的病理性非对称性和固有解剖非对称性，以实现更有效且可解释的AIS分割。ADN首先基于输入的NCCT进行非对称解耦，生成不同类型的3D非对称图。随后生成一幅合成的、固有非对称补偿且病理非对称显著的NCCT体数据，并作为分割网络的输入。ADN的训练融入了领域知识，并采用组织类型感知的正则化损失函数，以促使提取具有临床意义的病理性非对称性。结合无监督3D变换网络，ADN在公开NCCT数据集上取得了SOTA的AIS分割性能。除优越性能外，我们相信所学到的具有临床可解释性的非对称图也能为更好地理解AIS评估提供见解。我们的代码见 https://github.com/nihaomiao/MICCAI22_ADN。
引用
@article{arxiv.2206.15445,
title = {Asymmetry Disentanglement Network for Interpretable Acute Ischemic Stroke Infarct Segmentation in Non-Contrast CT Scans},
author = {Haomiao Ni and Yuan Xue and Kelvin Wong and John Volpi and Stephen T. C. Wong and James Z. Wang and Xiaolei Huang},
journal= {arXiv preprint arXiv:2206.15445},
year = {2022}
}
备注
MICCAI 2022