用于三维医学图像一次性目标定位的相对位置回归对比学习
计算机视觉与模式识别
2021-05-26 v2
摘要
深度学习网络在医学图像中精确目标定位方面已展现出有前景的性能,但需要大量标注数据进行监督训练,这成本高昂且依赖专业知识。为解决该问题,我们提出一种用于体医学图像中器官与地标定位的一次性框架,其在训练阶段不需要任何标注,并可在推理阶段给定支持(参考)图像的情况下定位测试图像中的任意地标或器官。我们的主要思想来源于不同人体的组织与器官具有相似的相对位置与上下文。因此,我们可以预测其非局部块之间的相对位置,从而定位目标器官。我们的框架由三部分组成:(1)一个投影网络,经训练用于预测同一体数据中任意两个块之间的3D偏移,无需人工标注。在推理阶段,它取参考图像中给定地标作为支持块,并预测从随机块到测试(查询)体中所对应地标的偏移。(2)一个由两级投影网络组成的粗到细框架,提供更准确的目标定位。(3)基于粗到细模型,我们将器官边界框(B-box)检测转化为定位查询体中沿x、y和z方向的六个极值点。在头颈(head-and-neck, HaN)CT体数据的多器官定位实验表明,我们的方法实时取得了有竞争力的性能,比相同设置下的模板匹配方法更准确且快10^5倍。代码见:https://github.com/LWHYC/RPR-Loc。
引用
@article{arxiv.2012.07043,
title = {Contrastive Learning of Relative Position Regression for One-Shot Object Localization in 3D Medical Images},
author = {Wenhui Lei and Wei Xu and Ran Gu and Hao Fu and Shaoting Zhang and Guotai Wang},
journal= {arXiv preprint arXiv:2012.07043},
year = {2021}
}
备注
Early accepted by MICCAI 2021