基于增强的域常用方法及多源域联合训练用于全心脏分割
计算机视觉与模式识别
2025-08-07 v1 机器学习
摘要
作为全球死亡原因的首位，心血管疾病驱动着开发更精细的方法来分析心脏及其亚结构，常用影像学手段包括运动断层扫描（CT）和磁共振成像（MR）。重要心脏结构的语义分割代表整个心脏，可用于评估患者特异的心脏形态与病理。此外，准确的语义分割可用于生成心脏数字孪生模型，允许进行电生理模拟和个性化治疗计划。尽管基于深度学习的方法在过去十年中取得了显著进展，但在域迁移（即训练和测试数据来自不同分布）时仍难以保持良好性能。为在训练时已知的域上表现良好，我们采用（1）一种平衡的联合训练方法，利用来自不同源域的等量 CT 和 MR 数据。进一步地，为缓解向仅在测试时遇到的域的迁移，我们依赖（2）强大的强度和空间增强技术，以大幅多样化可用的训练数据。我们提出的全心脏分割方法（包括我们贡献的 5 折集成）在 MR 数据上整体表现最佳，而在 CT 数据上性能与仅基于 CT 训练的模型相当。我们的模型在 CT 上的 DSC 为 93.33%，ASSD 为 0.8388 mm；在 MR 上的 DSC 为 89.30%，ASSD 为 1.2411 mm，展示了从中高质量的语义分割中高效获取心脏数字孪生模型的潜力。
引用
@article{arxiv.2508.04552,
title = {Augmentation-based Domain Generalization and Joint Training from Multiple Source Domains for Whole Heart Segmentation},
author = {Franz Thaler and Darko Stern and Gernot Plank and Martin Urschler},
journal= {arXiv preprint arXiv:2508.04552},
year = {2025}
}
备注
Accepted for the MICCAI Challenge on Comprehensive Analysis and Computing of Real-World Medical Images 2024, 12 pages