基于图像重建引导的蒸馏学习用于单次医学图像分割
图像与视频处理
2025-01-07 v2 计算机视觉与模式识别
摘要
传统的单次医学图像分割（MIS）方法使用配准网络将标签从参考图谱传播过来，或者依赖全面的采样策略生成合成标注数据用于训练。然而，这些方法通常在配准误差和低质量合成图像方面存在困难，导致性能不佳和泛化能力不足。为了克服这一问题，我们提出了一种基于知识蒸馏的新型单次MIS框架，该框架通过图像重建引导的蒸馏过程使网络能够直接"看到"真实图像。它关注单张标注图像和少量未标注图像中的解剖结构。基于配准的数据增强网络创建真实的标注样本，而特征蒸馏模块帮助学生网络在这些样本的引导下从教师网络学习分割。在推理过程中，精简的学生网络能够准确分割新图像。在三个公共数据集（OASIS用于T1脑部MRI、BCV用于腹部CT和VerSe用于椎骨CT）上的评估显示，与领先方法相比，在不同医学图像数据集和模态上具有优越的分割性能和泛化能力。我们的代码可在 https://github.com/NoviceFodder/OS-MedSeg 获取。
引用
@article{arxiv.2408.03616,
title = {Distillation Learning Guided by Image Reconstruction for One-Shot Medical Image Segmentation},
author = {Feng Zhou and Yanjie Zhou and Longjie Wang and Yun Peng and David E. Carlson and Liyun Tu},
journal= {arXiv preprint arXiv:2408.03616},
year = {2025}
}