利用公开无标签数据：基于Frangi滤波的预训练网络用于三维脑血管分割
计算机视觉与模式识别
2023-12-27 v1 人工智能
摘要
在飞行时间磁共振血管成像(TOF-MRA)数据中精确分割脑血管对于临床计算机辅助诊断至关重要。然而，TOF-MRA中脑血管结构的稀疏分布导致手动数据标注成本极高。利用未标记的TOF-MRA数据有可能显著提升模型性能。在本研究中，我们构建了迄今为止最大的预处理无标签TOF-MRA数据集（1510名受试者）。我们还提供了三个额外的标记数据集，共计113名受试者。此外，我们提出了一种简单而有效的基于Frangi滤波的预训练策略（Frangi滤波以增强血管样结构而闻名），以充分利用无标签数据进行三维脑血管分割。具体来说，我们开发了一个基于Frangi滤波的预处理流程来处理大规模无标签数据集，并提出了一种多任务预训练策略来有效利用预处理后的数据。通过这种方法，我们最大限度地利用了从无标签数据中获得的知识。在四个脑血管分割数据集上评估了预训练模型。结果表明，我们的模型具有优越的性能，与最先进的半监督和自监督方法相比，提高了约3%。此外，消融研究也证明了该预训练方法在骨干结构方面的泛化性和有效性。代码和数据已在https://github.com/shigen-StoneRoot/FFPN开源。
引用
@article{arxiv.2312.15273,
title = {Benefit from public unlabeled data: A Frangi filtering-based pretraining network for 3D cerebrovascular segmentation},
author = {Gen Shi and Hao Lu and Hui Hui and Jie Tian},
journal= {arXiv preprint arXiv:2312.15273},
year = {2023}
}
备注
Under Review