基于半监督学习的急性缺血性卒中病灶自动分割
图像与视频处理
2020-09-22 v3 计算机视觉与模式识别
机器学习
摘要
缺血性卒中是老年人群中的常见疾病，可导致长期残疾甚至死亡。然而，急性缺血性卒中（AIS）的治疗时间窗非常短。为快速定位并定量评估 AIS 病灶，文献中已提出许多基于深度学习的病灶分割方法，其中深度卷积神经网络（CNN）在数百个带有 AIS 病灶精确标注的全标注受试者上训练。尽管可实现高分割精度，但精确标注需由经验丰富的临床医生完成，因此获取大量全标注受试者极为耗时。本文提出一种半监督方法，在扩散加权图像和表观扩散系数图上自动分割 AIS 病灶。通过使用大量弱标注受试者和少量全标注受试者，所提方法能够准确检测和分割 AIS 病灶。具体而言，所提方法由三部分组成：1）以弱监督方式训练的双路径分类网络（DPC-Net）用于检测 AIS 病灶的可疑区域；2）像素级 K-Means 聚类算法用于识别 DWI 上的高信号区域；3）区域生长算法结合 DPC-Net 与 K-Means 的输出以获得最终精确病灶分割。实验中，我们使用 460 个弱标注受试者和 15 个全标注受试者训练并微调所提方法。在包含 150 个全标注受试者的临床数据集上评估，所提方法取得 0.642 的平均 Dice 系数和 0.822 的病灶级 F1 分数。
引用
@article{arxiv.1908.03735,
title = {Automatic acute ischemic stroke lesion segmentation using semi-supervised learning},
author = {Bin Zhao and Shuxue Ding and Hong Wu and Guohua Liu and Chen Cao and Song Jin and Zhiyang Liu},
journal= {arXiv preprint arXiv:1908.03735},
year = {2020}
}