利用弱监督分割与几何标签间关系进行 CT 图像合成以用于 COVID 图像分析
图像与视频处理
2021-06-21 v1 计算机视觉与模式识别
摘要
虽然医学图像分割是计算机辅助诊断的一项重要任务，但像素级人工标注所需的高专业性使其成为一项具有挑战性且耗时的任务。由于传统的数据增强不能完全代表训练集的底层分布，训练好的模型在来自不同来源的 images 上测试时性能参差不齐。大多数先前关于用于数据增强的图像合成的工作忽略了不同解剖标签之间交织的几何关系。我们通过对不同解剖标签之间的关系进行学习，改进了先前基于 GAN 的医学图像合成方法。我们使用弱监督分割方法获得图像的像素级语义标签图，用于学习跨语义标签的几何与形状的内在关系。潜空间变量采样从基础图像产生多样化的生成图像并提升鲁棒性。我们使用我们方法的合成图像来训练网络以从肺部 CT 图像中分割 COVID-19 感染区域。所提出的方法在公共数据集上优于最先进的分割方法。消融研究也证明了整合几何与多样性的益处。
引用
@article{arxiv.2106.10230,
title = {CT Image Synthesis Using Weakly Supervised Segmentation and Geometric Inter-Label Relations For COVID Image Analysis},
author = {Dwarikanath Mahapatra and Ankur Singh},
journal= {arXiv preprint arXiv:2106.10230},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2003.14119; text overlap with arXiv:1908.10555, arXiv:2004.14133 by other authors