基于对抗损失与协变量偏移的跨域生物医学图像分割
图像与视频处理
2020-06-09 v1 计算机视觉与模式识别
摘要
尽管深度学习方法中语义分割在单源图像上已被广泛使用，临床医生常使用多域数据以进行详细分析。例如，CT与MRI在成像质量、伪影及输出特征方面各有优势，从而有助于鉴别诊断。当前分割技术的能力因其差异仅允许用于单一域。然而，能够作用于所有模态的模型对于完整解决方案是必需的。此外，鲁棒性受训练阶段样本数量的剧烈影响，尤其对于深度学习模型。因此，有必要使用所有可用数据而不论数据域，以构建可靠方法。为此，本手稿旨在实现一种新颖模型，其能通过封装来自不同模态的特异与共享模式，从跨域数据中学习鲁棒表示。确切地说，通过结构修改与对抗损失保留协变量偏移属性，从而获得稀疏与丰富表示。因而，使用单一参数集执行跨域分割任务。所提方法的优势在于训练与推理阶段均不提供与模态相关的信息。在常规临床工作流中采集的CT与MRI肝脏数据上的测试表明，所提模型以较大优势优于所有其他基线。实验也在Covid-19数据集上进行，该数据集由CT数据组成且观察到显著的类内视觉差异。类似地，所提方法取得了最佳性能。
引用
@article{arxiv.2006.04390,
title = {Cross-Domain Segmentation with Adversarial Loss and Covariate Shift for Biomedical Imaging},
author = {Bora Baydar and Savas Ozkan and A. Emre Kavur and N. Sinem Gezer and M. Alper Selver and Gozde Bozdagi Akar},
journal= {arXiv preprint arXiv:2006.04390},
year = {2020}
}