C-DARL：用于无标签血管分割的对比扩散对抗表示学习
图像与视频处理
2023-08-02 v1 计算机视觉与模式识别
机器学习
摘要
医学影像中的血管分割是基于影像的医学和介入医学广泛临床场景中血管疾病诊断和介入规划的关键步骤之一。遗憾的是，由于细微分支和复杂结构，血管掩模的手动标注具有挑战性且耗费资源。为克服此问题，本文提出一种自监督血管分割方法，称为对比扩散对抗表示学习（C-DARL）模型。我们的模型由扩散模块和生成模块组成，通过从扩散潜空间生成合成血管图像来学习多域血管数据的分布。此外，我们通过基于掩模的对比损失采用对比学习，使模型能学习更真实的血管表示。为验证有效性，C-DARL 使用包括冠状动脉造影、腹部数字减影造影和视网膜成像在内的多种血管数据集进行训练。实验结果证实，我们的模型在噪声鲁棒性方面优于基线方法，表明 C-DARL 用于血管分割的有效性。
引用
@article{arxiv.2308.00193,
title = {C-DARL: Contrastive diffusion adversarial representation learning for label-free blood vessel segmentation},
author = {Boah Kim and Yujin Oh and Bradford J. Wood and Ronald M. Summers and Jong Chul Ye},
journal= {arXiv preprint arXiv:2308.00193},
year = {2023}
}