用于解剖结构单次分割的轮廓 Transformer 网络
计算机视觉与模式识别
2020-12-04 v1
摘要
解剖结构的精确分割对医学图像分析至关重要。最先进的精度通常由监督学习方法取得，而以可扩展方式收集所需的专家标注图像仍是一大障碍。因此，能够生成准确解剖结构分割的标注高效方法极为可取。在本工作中，我们提出轮廓 Transformer 网络（CTN），一种具有天然内置人在回路机制的单次解剖分割方法。我们将解剖分割表述为轮廓演化过程，并采用图卷积网络（GCNs）建模演化行为。训练 CTN 模型仅需一个标注图像样本，并通过新引入的衡量轮廓全局形状与外观一致性的损失函数利用额外未标注数据。在四个不同解剖结构的分割任务上，我们证明该单次学习方法显著优于非基于学习的方法，并与最先进的 fully supervised 深度学习方法具竞争力。借助极少量人在回路编辑反馈，分割性能可进一步提升以超越全监督方法。
引用
@article{arxiv.2012.01480,
title = {Contour Transformer Network for One-shot Segmentation of Anatomical Structures},
author = {Yuhang Lu and Kang Zheng and Weijian Li and Yirui Wang and Adam P. Harrison and Chihung Lin and Song Wang and Jing Xiao and Le Lu and Chang-Fu Kuo and Shun Miao},
journal= {arXiv preprint arXiv:2012.01480},
year = {2020}
}