基于图谱的前列腺 MRI 持续分割
计算机视觉与模式识别
2023-11-07 v3
摘要
为自然图像分类设计的持续学习（CL）方法往往达不到医学图像分割的基本质量标准。基于图谱的分割是医学影像中一种成熟的方法，它融入了关于感兴趣区域的领域知识，从而产生语义一致的预测。这对于 CL 尤其有前景，因为它使我们能够利用结构信息，并在模型随时间变化的刚性与可塑性之间取得最优平衡。当与保护隐私的原型结合时，该过程提供了基于回放的 CL 的优势，且不损害患者隐私。我们提出 Atlas Replay，一种基于图谱的分割方法，它使用原型通过图像配准生成高质量的分割掩码，即使训练分布发生变化也能保持一致性。我们探究了所提方法相较于最先进 CL 方法在七个公开前列腺分割数据集上的知识可迁移性表现。前列腺分割在前列腺癌诊断中起着至关重要的作用，但由于显著的解剖变异、老年群体中的良性结构差异以及波动的采集参数，它带来了挑战。我们的结果表明，与端到端分割方法不同，Atlas Replay 既鲁棒又能很好地泛化至尚未见过的域，同时能够保持知识。我们的代码库可在 https://github.com/MECLabTUDA/Atlas-Replay 获取。
引用
@article{arxiv.2311.00548,
title = {Continual atlas-based segmentation of prostate MRI},
author = {Amin Ranem and Camila González and Daniel Pinto dos Santos and Andreas M. Bucher and Ahmed E. Othman and Anirban Mukhopadhyay},
journal= {arXiv preprint arXiv:2311.00548},
year = {2023}
}