基于生成式混合增强与自训练的跨模态肿瘤分割
图像与视频处理
2024-04-01 v2 计算机视觉与模式识别
摘要
\textit{目的}：数据稀缺和域偏移导致有偏的训练集，无法准确代表部署条件。一个相关的实际问题是跨模态图像分割，其目标是利用来自其他成像模态的先前标注数据集对未标注图像进行分割。\textit{方法}：我们提出一种跨模态分割方法，基于常规图像合成并由一种称为生成式混合增强（Generative Blending Augmentation, GBA）的新数据增强技术所提升。GBA 利用 SinGAN 模型从单张训练图像中学习具有代表性的生成特征，以真实地多样化肿瘤外观。以此方式，我们补偿了图像合成误差，进而提升了下游分割模型的泛化能力。所提出的增强进一步与一种迭代自训练过程相结合，在每轮中使用伪标签。\textit{结果}：在 MICCAI CrossMoDA 2022 挑战赛的验证和测试阶段，所提出的方案在前庭神经鞘瘤（VS）分割中排名第一，具有最佳的平均 Dice 相似度和平均对称表面距离度量。\textit{结论与意义}：肿瘤外观的局部对比度改变和使用伪标签的迭代自训练可能在多种分割场景中带来性能提升。
引用
@article{arxiv.2304.01705,
title = {Cross-modal tumor segmentation using generative blending augmentation and self training},
author = {Guillaume Sallé and Pierre-Henri Conze and Julien Bert and Nicolas Boussion and Dimitris Visvikis and Vincent Jaouen},
journal= {arXiv preprint arXiv:2304.01705},
year = {2024}
}