面向胰腺内镜超声图像分割的跨器官域自适应神经网络
计算机视觉与模式识别
2024-09-10 v1 机器学习
摘要
胰腺内镜超声（EUS）图像中病灶的精确分割对于有效诊断和治疗至关重要。然而，收集足够清晰的EUS图像以进行有效诊断十分困难。近年来，域自适应（DA）已被用于通过利用来自其他域的相关知识来应对这些挑战。大多数DA方法仅关注同一器官的多视角表示，这使得在语义信息有限的情况下仍难以清晰描绘肿瘤病灶区域。尽管从不同器官迁移同质相似性可能有助于解决该问题，但由于它们之间存在巨大的域差异，目前缺乏相关工作。为应对这些挑战，我们提出了跨器官肿瘤分割网络（COTS-Nets），该网络由一个通用网络和一个辅助网络组成。通用网络利用边界损失学习不同肿瘤的通用边界信息，从而在数据有限且质量不高的情况下，仍能精确勾画EUS中的肿瘤。同时，我们在通用网络中引入一致性损失，将胰腺EUS的预测结果与其他器官的肿瘤边界对齐，以缩小域差异。为进一步缩小跨器官域差异，辅助网络整合了来自不同器官的多尺度特征，帮助通用网络获取域不变知识。系统性实验表明，COTS-Nets显著提高了胰腺癌诊断的准确性。此外，我们开发了胰腺癌内镜超声（PCEUS）数据集，包含501张经病理证实的胰腺EUS图像，以促进模型开发。
引用
@article{arxiv.2409.04718,
title = {Cross-Organ Domain Adaptive Neural Network for Pancreatic Endoscopic Ultrasound Image Segmentation},
author = {ZhiChao Yan and Hui Xue and Yi Zhu and Bin Xiao and Hao Yuan},
journal= {arXiv preprint arXiv:2409.04718},
year = {2024}
}