CPNet：用于CT图像上弱监督三维肾 compartment 分割的循环原型网络
图像与视频处理
2021-08-29 v1 计算机视觉与模式识别
摘要
CT图像上的肾 compartment 分割旨在从腹部CTA图像中提取肾 compartment 的三维结构，对肾脏疾病的诊断与治疗具有重要意义。然而，由于三维肾脏CT图像中 compartment 边界不清、结构细小以及解剖变异大，基于深度学习的肾 compartment 分割是一项具有挑战性的任务。我们提出了一种新颖的弱监督学习框架——循环原型网络（Cycle Prototype Network），用于三维肾 compartment 分割。其有三个创新点：1）提出循环原型学习（CPL）以学习一致性以提升泛化能力。它通过前向过程从伪标签学习，并通过反向过程学习一致性正则化。两个过程使模型对噪声鲁棒且标签高效。2）我们提出基于跨期先验知识的贝叶斯弱监督模块（BWSM）。它从跨期无标签数据学习先验知识并自动进行纠错，从而生成准确的伪标签。3）我们提出精细解码特征提取器（FDFE）用于细粒度特征提取。它结合全局形态信息与局部细节信息以获得具有清晰细节的特征图，从而使模型在细小结构上实现精细分割。我们的模型仅用四张标注图像即取得79.1%和78.7%的Dice系数，比典型原型模型PANet提升约20%。
引用
@article{arxiv.2108.06669,
title = {CPNet: Cycle Prototype Network for Weakly-supervised 3D Renal Compartments Segmentation on CT Images},
author = {Song Wang and Yuting He and Youyong Kong and Xiaomei Zhu and Shaobo Zhang and Pengfei Shao and Jean-Louis Dillenseger and Jean-Louis Coatrieux and Shuo Li and Guanyu Yang},
journal= {arXiv preprint arXiv:2108.06669},
year = {2021}
}
备注
24th International Conference on Medical Image Computing and Computer Assisted Intervention