口咽器官的领域自适应仿真到真实分割

视频辅助经口气管插管（TI）需要使用内镜，帮助医生将气管导管插入声门而非食管。机器人辅助TI的增长趋势将要求医疗机器人像经验丰富的医生一样区分解剖特征，这可利用有监督深度学习技术来模仿。然而，由于开源数据有限及患者隐私，口咽器官的真实数据集通常难以获取。本工作中，我们提出一种称为IoU排序混合ArtFlow（IRB-AF）的领域自适应仿真到真实框架，用于口咽器官的图像分割。该框架包括一种称为IoU排序混合（IRB）的图像混合策略与风格迁移方法ArtFlow。其中，IRB缓解了因数据集领域差异大导致的分割性能差问题；而引入ArtFlow以进一步减小数据集间差异。由SOFA框架生成的虚拟口咽图像数据集被用作语义分割的学习对象，以应对实际内镜图像可用性有限的问题。我们将IRB-AF与最先进的领域自适应分割模型相结合。结果表明，我们的方法在进一步提升分割精度与训练稳定性方面具有优越性能。