多源多期相 CT 影像数据的共异构自适应分割：病理肝与病灶分割研究
图像与视频处理
2021-07-21 v4 计算机视觉与模式识别
摘要
在医学影像中，基于当前公开可用且全标注数据集训练的器官/病理分割模型通常不能很好代表真实环境中遇到的异构模态、期相、病理与临床场景。另一方面，许多现代临床中心存储了海量未标注的患者影像扫描。本工作中，我们提出一种新颖的分割策略——共异构自适应分割（CHASe），其仅需一小规模单期相标注队列即可适配任意未标注的异构多期相数据队列，且可能包含新临床场景与病理。为此，我们提出一个融合基于外观的半监督、基于掩码的对抗域适应与伪标注的通用框架。我们还引入共异构训练，即协同训练与异构模态学习的新型整合。我们使用临床全面且具挑战性的多期相计算机断层扫描（CT）影像研究数据集（1147 名患者与 4577 个 3D 体积）评估了 CHASe。相较先前最先进基线，CHASe 可将病理肝掩码 Dice-Sorensen 系数进一步提升 ，具体取决于期相组合：例如，在非增强 CT 上从 提升至 。
引用
@article{arxiv.2005.13201,
title = {Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation},
author = {Ashwin Raju and Chi-Tung Cheng and Yunakai Huo and Jinzheng Cai and Junzhou Huang and Jing Xiao and Le Lu and ChienHuang Liao and Adam P Harrison},
journal= {arXiv preprint arXiv:2005.13201},
year = {2021}
}
备注
23 pages, 8 figures