基于自训练的无监督跨模态前庭神经鞘瘤与耳蜗分割中的数据多样性增强
计算机视觉与模式识别
2022-10-27 v2
摘要
从磁共振成像中自动分割前庭神经鞘瘤（VS）和耳蜗可辅助 VS 治疗规划。无监督分割方法已展现出良好前景，且无需耗时费力的手动标注过程。在本文中，我们提出一种在无监督域适应设置下进行 VS 和耳蜗分割的方法。具体而言，我们首先开发一种跨站点跨模态非配对图像翻译策略，以丰富合成数据的多样性。然后，我们设计一种基于规则的离线增强技术，以进一步缩小域差距。最后，我们采用由自训练赋能的自配置分割框架来获得最终结果。在 CrossMoDA 2022 验证排行榜上，我们的方法取得了具有竞争力的 VS 和耳蜗分割性能，平均 Dice 分数分别为 0.8178 0.0803 和 0.8433 0.0293。
引用
@article{arxiv.2209.11879,
title = {Enhancing Data Diversity for Self-training Based Unsupervised Cross-modality Vestibular Schwannoma and Cochlea Segmentation},
author = {Han Liu and Yubo Fan and Ipek Oguz and Benoit M. Dawant},
journal= {arXiv preprint arXiv:2209.11879},
year = {2022}
}
备注
Accepted by BrainLes MICCAI proceedings