基于扩散模型的脑出血图像半监督学习用于高效中线移位量化
计算机视觉与模式识别
2023-01-03 v1 人工智能
摘要
脑中线移位（MLS）是颅内出血临床诊断与治疗方案制定中最关键的因素之一。现有的 MLS 量化计算方法不仅需要在毫米级测量中进行密集标注，还因依赖于特定标志点或简化的解剖学假设而性能不佳。本文中，我们提出一种新颖的半监督框架，从头部 CT 扫描中精确测量 MLS 尺度。我们将 MLS 测量任务表述为形变估计问题，并利用少量带稀疏标签的 MLS 切片求解。同时，借助扩散模型，我们得以使用大量无标签 MLS 数据与 2793 例非 MLS 病例进行表征学习与正则化。提取的表征反映了图像与非 MLS 图像的差异，而正则化在形变场从稀疏到稠密的细化中起到重要作用。我们在真实临床脑出血数据集上的实验取得了最先进的性能，并能生成可解释的形变场。
引用
@article{arxiv.2301.00409,
title = {Diffusion Model based Semi-supervised Learning on Brain Hemorrhage Images for Efficient Midline Shift Quantification},
author = {Shizhan Gong and Cheng Chen and Yuqi Gong and Nga Yan Chan and Wenao Ma and Calvin Hoi-Kwan Mak and Jill Abrigo and Qi Dou},
journal= {arXiv preprint arXiv:2301.00409},
year = {2023}
}
备注
12 pages, 5 figures