CoactSeg：利用异质数据学习用于多发性硬化新病灶分割
图像与视频处理
2023-09-18 v2 计算机视觉与模式识别
摘要
新病灶分割对于评估多发性硬化（MS）临床治疗中的疾病进展和治疗效果至关重要。然而，昂贵的数据采集与专家标注限制了大规模深度学习模型的应用可行性。由于带有全病灶标签的单时间点样本相对容易收集，利用它们训练深度模型对于改进新病灶分割极为可取。因此，我们提出了一种协同分割（CoactSeg）框架，以利用异质数据（即带新病灶标注的双时间点数据与带全病灶标注的单时间点数据）进行MS新病灶分割。CoactSeg模型被设计为统一模型，无论使用哪类异质数据，均具有相同的三个输入（基线、随访及其纵向脑差异）和相同的三个输出（相应的全病灶与新病灶预测）。此外，提出了一种简单有效的关联正则化，以确保三个输出之间的纵向关系，从而改进模型学习。大量实验表明，利用异质数据与所提出的纵向关系约束可显著提升新病灶与全病灶分割任务的性能。同时，我们还引入了一个内部MS-23v1数据集，包含38个大洋洲带全病灶标签的单时间点样本。代码与数据集发布于 https://github.com/ycwu1997/CoactSeg。
引用
@article{arxiv.2307.04513,
title = {CoactSeg: Learning from Heterogeneous Data for New Multiple Sclerosis Lesion Segmentation},
author = {Yicheng Wu and Zhonghua Wu and Hengcan Shi and Bjoern Picker and Winston Chong and Jianfei Cai},
journal= {arXiv preprint arXiv:2307.04513},
year = {2023}
}
备注
Accepted by MICCAI 2023 (Early Acceptance)