CT图像中危险器官分割的对抗学习与监督学习比较
图像与视频处理
2023-09-21 v1 计算机视觉与模式识别
机器学习
摘要
从CT扫描中分割危险器官（OAR）是放疗工作流程的关键环节。近年来，深度学习技术在自动化该过程方面展现出显著潜力。本文中，我们研究了生成对抗网络（GANs）与监督学习方法在从CT图像分割OAR方面的性能比较。我们提出三种生成器架构相同但判别器网络不同的基于GAN的模型。使用StructSeg数据集（包含50例标注CT扫描，含六个OAR轮廓）将这些模型与成熟的CNN模型（如SE-ResUnet和DeepLabV3）进行比较。我们的工作旨在揭示对抗训练在OAR分割中的优劣。结果非常有前景，表明所提基于GAN的方法与其基于CNN的对应方法相当或更优，尤其在分割更具挑战性的靶器官时。
引用
@article{arxiv.2303.17941,
title = {Comparing Adversarial and Supervised Learning for Organs at Risk Segmentation in CT images},
author = {Leonardo Crespi and Mattia Portanti and Daniele Loiacono},
journal= {arXiv preprint arXiv:2303.17941},
year = {2023}
}