判别式哈密顿变分自编码器用于数据稀缺场景下的精确肿瘤分割
图像与视频处理
2024-08-16 v1 计算机视觉与模式识别
摘要
深度学习在医学图像分割中获得了广泛关注。然而，标注训练数据的有限可用性对实现精确结果构成了挑战。为了克服这一挑战，研究人员提出了数据增强技术。然而，这些方法大多主要关注图像生成。对于分割任务，提供图像及其对应的目标掩膜至关重要，而生成多样且逼真的样本仍然是一项复杂的任务，尤其是在使用有限的训练数据集时。为此，我们提出了一种新的端到端混合架构，该架构基于哈密顿变分自编码器（HVAE）和判别式正则化，以提高生成图像的质量。我们的方法能够精确估计图像和掩膜的联合分布，从而生成具有更少伪影和离分布实例的逼真医学图像。由于生成3D体积需要大量的时间和内存，我们的架构在逐切片的基础上运行以分割3D体积，充分利用了丰富增强的数据集。在两个公开数据集BRATS（MRI模态）和HECKTOR（PET模态）上进行的实验证明了我们提出的方法在数据有限的不同医学成像模态上的有效性。
引用
@article{arxiv.2406.11659,
title = {Discriminative Hamiltonian Variational Autoencoder for Accurate Tumor Segmentation in Data-Scarce Regimes},
author = {Aghiles Kebaili and Jérôme Lapuyade-Lahorgue and Pierre Vera and Su Ruan},
journal= {arXiv preprint arXiv:2406.11659},
year = {2024}
}