解耦实现跨域海马体分割
图像与视频处理
2022-01-19 v1 计算机视觉与模式识别
机器学习
摘要
标注训练数据量有限是医学影像中的常见问题。这使得难以训练出良好泛化的模型，并常导致在未知域上的失败。从磁共振成像（MRI）扫描中进行海马体分割对神经精神疾病的诊断与治疗至关重要。对比度或形状上的域差异会显著影响分割。我们通过将 T1 加权 MRI 图像解耦为其内容与域来解决此问题。这种分离使我们能进行域迁移，从而将新来源数据转换为训练域。该步骤从而简化了分割问题，带来更高质量的分割。我们通过提出的新型方法“内容域解耦 GAN（Content Domain Disentanglement GAN）”实现解耦，并提议在转换后的输出上重新训练 UNet 以处理 GAN 特有伪影。借助这些改动，我们能在未见域上将性能提升 6–13%，并优于最先进的域迁移方法。
引用
@article{arxiv.2201.05650,
title = {Disentanglement enables cross-domain Hippocampus Segmentation},
author = {John Kalkhof and Camila González and Anirban Mukhopadhyay},
journal= {arXiv preprint arXiv:2201.05650},
year = {2022}
}