探索交互式体分割中的循环一致性学习
计算机视觉与模式识别
2024-03-12 v2
摘要
自动医学体分割通常缺乏临床精度,需要进一步细化。在这项工作中,我们通过两个解耦的模块交互式地处理医学体分割:交互到分割与分割传播。给定医学体数据,用户首先通过交互模块分割一个(或几个)切片,然后将分割结果传播到其余切片。用户可以重复此过程多次,直到获得足够高的体分割质量。然而,由于在传播过程中缺乏人工校正,分割误差容易在中间切片中累积,并可能导致次优性能。为缓解此问题,我们提出了一种简单而有效的循环一致性损失,通过参考起始切片中的准确分割来正则化中间分割。为此,我们引入了一条反向分割路径,使用相同的传播网络将中间分割传播回起始切片。通过循环一致性训练,传播网络比标准仅前向训练方法得到了更好的正则化。在具有挑战性的 AbdomenCT-1K 和 OAI-ZIB 数据集上的评估结果证明了我们方法的有效性。
引用
@article{arxiv.2303.06493,
title = {Exploring Cycle Consistency Learning in Interactive Volume Segmentation},
author = {Qin Liu and Meng Zheng and Benjamin Planche and Zhongpai Gao and Terrence Chen and Marc Niethammer and Ziyan Wu},
journal= {arXiv preprint arXiv:2303.06493},
year = {2024}
}
备注
Major revision of tech report. Code: https://github.com/uncbiag/iSegFormer/tree/v2.0