用于 CT 扫描前列腺分割的跨模态知识迁移
图像与视频处理
2019-09-12 v2 机器学习
医学物理
机器学习
摘要
创建大规模高质量标注是医学影像中众所周知的挑战。在这项工作中，基于 CycleGAN 算法，我们提出利用来自一种模态的标注对其他模态发挥作用。更具体地，所提算法使用非配对数据集从前列腺 MR 图像生成高度逼真的合成 CT 图像（SynCT）。通过使用 SynCT 图像（无分割标签）和 MR 图像（有分割标签可用），我们训练了一个深度分割网络，用于从真实 CT 扫描中精确勾画前列腺。对于我们 CycleGAN 中的生成器，循环一致性项用于保证 SynCT 共享最初在 MR 图像上勾画的相同手工绘制高质量掩膜。此外，我们引入了基于结构相似性指数（SSIM）的代价函数，以改善真实图像与合成图像之间的解剖相似性。对于继 CycleGAN 生成 SynCT 之后的分割，自动勾画通过 2.5D Residual U-Net 实现。定量评估表明，对于真实 CT 图像，我们的 SynCT 与放射科医生绘制的掩膜之间的分割结果具有可比性，解决了当目标模态缺乏真值标注时医学图像分割领域的一个重要问题。
引用
@article{arxiv.1908.10208,
title = {Cross-modality Knowledge Transfer for Prostate Segmentation from CT Scans},
author = {Yucheng Liu and Naji Khosravan and Yulin Liu and Joseph Stember and Jonathan Shoag and Christopher E. Barbieri and Ulas Bagci and Sachin Jambawalikar},
journal= {arXiv preprint arXiv:1908.10208},
year = {2019}
}
备注
9 pages, 3 figures, 2019 MICCAI-DART workshop