基于深度学习结合对抗数据增强的多器官CT分割
图像与视频处理
2023-02-28 v1 计算机视觉与模式识别
摘要
在这项工作中，我们提出了一种基于对抗攻击的数据增强方法，以改进基于深度学习的分割算法，用于腹部计算机断层扫描（CT）中危险器官（OAR）的勾画，从而促进放射治疗。我们引入了医学图像对抗特征攻击（AFA-MI）增强方法，其迫使分割网络学习分布外统计特性，并提升对噪声的泛化能力与鲁棒性。AFA-MI增强包含三个步骤：1）通过快速梯度符号法（FGSM）在分割网络编码器的中间特征上生成对抗噪声；2）将生成的对抗噪声注入网络，有意降低性能；3）同时使用干净特征与对抗特征优化网络。实验针对心脏、左右肾、肝脏、左右肺、脊髓和胃进行分割。我们首先在公开腹部数据集和某机构数据集的测试数据上，使用nnUnet和TT-Vnet评估AFA-MI增强。此外，我们通过向机构数据集添加不同幅度的高斯噪声来评估网络，验证了AFA-MI如何影响网络对噪声数据的鲁棒性。网络性能采用Dice相似系数（DSC）进行基于体积的精度定量评估，并采用Hausdorff距离（HD）进行基于表面的精度评估。在公开数据集上，采用AFA-MI的nnUnet取得DSC = 0.85、HD = 6.16毫米（mm）；TT-Vnet取得DSC = 0.86、HD = 5.62 mm。在含高斯噪声的图像上测试时，AFA-MI增强进一步将全部轮廓精度提升至多0.217的DSC分数。因此，AFA-MI增强被证明可改善CT多器官分割的性能与鲁棒性。
引用
@article{arxiv.2302.13172,
title = {Deep Learning-based Multi-Organ CT Segmentation with Adversarial Data Augmentation},
author = {Shaoyan Pan and Shao-Yuan Lo and Min Huang and Chaoqiong Ma and Jacob Wynne and Tonghe Wang and Tian Liu and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2302.13172},
year = {2023}
}
备注
Accepted at SPIE Medical Imaging 2023