DC-Seg：基于解耦对比学习的脑肿瘤分割方法与缺失模态问题
计算机视觉与模式识别
2025-05-20 v1
摘要
准确分割脑部影像通常需要整合来自多种图像模态的互补信息。然而，对于每个患者，可能缺乏所有模态的临床数据，这构成了重要挑战。为此，先前研究通过将多种模态编码到共享潜在空间来解决此问题。虽然此方法大致有效，但仍显得次优，因为每个模态都包含独特且宝贵的信息。本研究提出DC-Seg（Disentangled Contrastive Learning for Segmentation，即基于解耦对比学习的分割），一种新方法，通过分别利用解剖对比学习和模态对比学习，将图像显式解耦为解剖学不变表征与模态特定表征。该解决方案通过考虑模态间的差异，提高了解剖和模态特定特征的分离程度，从而获得更稳健的表征。此外，我们引入一种基于分割的正则化器，以增强模型对缺失模态的鲁棒性。对BraTS 2020数据集和一套私人白质高信号(WMH)分割数据集进行大量实验表明，DC-Seg在处理具有不同缺失模态的多模态脑肿瘤分割任务时，优于领先的算法，同时在WMH分割中也表现出强大的可迁移性。代码已公开于https://github.com/CuCl-2/DC-Seg。
引用
@article{arxiv.2505.11921,
title = {DC-Seg: Disentangled Contrastive Learning for Brain Tumor Segmentation with Missing Modalities},
author = {Haitao Li and Ziyu Li and Yiheng Mao and Zhengyao Ding and Zhengxing Huang},
journal= {arXiv preprint arXiv:2505.11921},
year = {2025}
}