使用部分卷积生成对抗网络进行自由形态病变合成以增强深度学习肝脏肿瘤分割
图像与视频处理
2022-10-26 v2 计算机视觉与模式识别
摘要
自动深度学习分割模型已被证明能提高分割效率和准确性。然而，训练一个鲁棒的分割模型需要相当大的标记训练样本，这可能不切实际。本研究旨在开发一个深度学习框架，用于生成可用于增强网络训练的合成病变。病变合成网络是一个改进的生成对抗网络（GAN）。具体来说，我们创新了一种部分卷积策略来构建一个类似Unet的生成器。判别器使用带有梯度惩罚和谱归一化的Wasserstein GAN设计。开发了一种基于主成分分析的掩模生成方法来建模各种病变形状。生成的掩模然后通过病变合成网络转换为肝脏病变。对病变合成框架进行了病变纹理评估，并使用合成病变训练了一个病变分割网络，以进一步验证该框架的有效性。所有网络均在LITS公共数据集上训练和测试。对于两个采用的纹理参数GLCM-能量和GLCM-相关性，所提出方法生成的合成病变与真实病变具有非常相似的直方图分布。GLCM-能量和GLCM-相关性的Kullback-Leibler散度分别为0.01和0.10。在肿瘤分割网络中加入合成病变，将U-Net的分割Dice性能从67.3%显著提高到71.4%（p<0.05）。同时，体积精确率和灵敏度分别从74.6%提高到76.0%（p=0.23）和从66.1%提高到70.9%（p<0.01）。合成数据显著提高了分割性能。
引用
@article{arxiv.2206.09065,
title = {Free-form Lesion Synthesis Using a Partial Convolution Generative Adversarial Network for Enhanced Deep Learning Liver Tumor Segmentation},
author = {Yingao Liu and Fei Yang and Yidong Yang},
journal= {arXiv preprint arXiv:2206.09065},
year = {2022}
}
备注
The paper is under review by JACMP-Journal of Applied Medical Physics