基于数据驱动稀疏先验的少样本气道树模型
图像与视频处理
2024-09-05 v1 计算机视觉与模式识别
机器学习
摘要
医学影像中缺乏大规模标注数据集是监督式深度学习(DL)分割模型的固有负担。少样本学习方法是一种高性价比的解决方案，能够仅通过有限的标注数据来迁移预训练模型。然而，这些方法由于数据稀疏性和复杂多样性，尤其是在分割类似气道这样稀疏管状结构时，容易产生过拟合。此外，构建信息丰富的图像表征在医学影像中发挥着关键作用，使解剖细节具有判别性。本文首先训练一个数据驱动的稀疏化模块，高效地增强肺部 CT 扫描中的气道。随后，我们将这些稀疏表征纳入标准的监督式分割管线作为预训练步骤，以增强 DL 模型的性能。结果表明，在 ATM 公开挑战数据集上，使用稀疏先验进行预训练在全尺度和少样本学习场景中分别将分割 Dice 评分提高 1%至 10%。
引用
@article{arxiv.2407.04507,
title = {Few-Shot Airway-Tree Modeling using Data-Driven Sparse Priors},
author = {Ali Keshavarzi and Elsa Angelini},
journal= {arXiv preprint arXiv:2407.04507},
year = {2024}
}
备注
Accepted at 21st IEEE International Symposium on Biomedical Imaging (ISBI)