基于解剖相关性模仿单次推理的广义器官分割
计算机视觉与模式识别
2021-03-31 v1
摘要
模仿学习是人类最重要的能力之一，并在人类的计算神经系统中起着至关重要的作用。在医学图像分析中，给定若干示例（锚点），有经验的放射科医生能够通过模仿从已有器官类型中学到的推理过程来勾画不熟悉的器官。受此观察启发，我们提出 OrganNet，其从一组已标注器官类别中学习广义器官概念，然后将该概念迁移至未见类别。本文中，我们展示了这一过程可融入单次分割任务，这是一个极具挑战性但有意义的话题。我们提出金字塔推理模块（PRMs）来建模锚点体数据与目标体数据之间的解剖相关性。在实践中，所提模块首先计算目标与锚点计算机断层扫描（CT）体数据之间的相关性矩阵。随后，该矩阵被用于变换锚点体数据及其分割掩码的特征表示。最终，OrganNet 学习融合来自多种输入的表示，并预测目标体数据的分割结果。大量实验表明，OrganNet 能有效抵御器官形态的广泛变异，并在单次分割任务中取得最先进的（state-of-the-art, SOTA）结果。此外，即便与全监督分割模型相比，OrganNet 仍能产生令人满意的分割结果。
引用
@article{arxiv.2103.16344,
title = {Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation},
author = {Hong-Yu Zhou and Hualuo Liu and Shilei Cao and Dong Wei and Chixiang Lu and Yizhou Yu and Kai Ma and Yefeng Zheng},
journal= {arXiv preprint arXiv:2103.16344},
year = {2021}
}
备注
IPMI 2021