基于多平面 UNet 与迁移学习的髋关节自动分割
图像与视频处理
2022-08-19 v2 计算机视觉与模式识别
摘要
准确的几何表示在开发有限元模型中至关重要。尽管总体良好，仅使用少量数据的深度学习分割方法难以准确分割精细特征，例如间隙与薄结构。随后，分割出的几何形状需要耗费人力的手动修改，才能达到可用于仿真要求的质量。我们提出一种策略，利用迁移学习复用分割质量较差的数据集，并结合交互式学习步骤，通过对数据微调得到适用于仿真的解剖学准确分割。我们使用改进的多平面 UNet（MultiPlanar UNet），其使用劣质髋关节分割进行预训练，并结合专用损失函数以学习间隙区域，以及后处理来修正因旋转不变性导致的对称类别上的微小不准确。我们展示了这一稳健且概念简单的方法，并在公开可用的髋关节计算机断层扫描上给出了经临床验证的结果。代码与生成的 3D 模型见：https://github.com/MICCAI2022-155/AuToSeg
引用
@article{arxiv.2208.08226,
title = {Auto-segmentation of Hip Joints using MultiPlanar UNet with Transfer learning},
author = {Peidi Xu and Faezeh Moshfeghifar and Torkan Gholamalizadeh and Michael Bachmann Nielsen and Kenny Erleben and Sune Darkner},
journal= {arXiv preprint arXiv:2208.08226},
year = {2022}
}
备注
Accepted at Medical Image Learning with Limited & Noisy Data (MILLanD), a workshop hosted with the conference on Medical Image Computing and Computer Assisted Interventions (MICCAI) 2022