用于磁共振图像脑肿瘤分割的弱监督生成与评估的生成对抗网络
图像与视频处理
2024-08-19 v4 计算机视觉与模式识别
摘要
用于识别异常的关注区域（ROI）分割是医学成像中的首要问题。将机器学习用于此问题通常需要手动标注的真实分割，这需要放射科医生投入大量时间与资源。本工作提出了一种弱监督方法，利用更容易获取的图像级二值标签，在无真实标注的情况下有效分割二维磁共振图像中的异常。我们训练了一个生成对抗网络（GAN），将癌变图像转换为健康变体，将其与定位种子作为先验一起使用，以生成改进的弱监督分割。非癌变变体也可用于以弱监督方式评估分割，从而能够识别最有效的分割并应用于下游临床分类任务。在 Multimodal Brain Tumor Segmentation (BraTS) 2020 数据集上，我们提出的方法生成并识别出的分割实现了 83.91% 的测试 Dice 系数。将这些分割用于病理分类，测试 AUC 为 93.32%，与使用真实分割时达到的 95.80% 测试 AUC 相当。
引用
@article{arxiv.2211.05269,
title = {Generative Adversarial Networks for Weakly Supervised Generation and Evaluation of Brain Tumor Segmentations on MR Images},
author = {Jay J. Yoo and Khashayar Namdar and Matthias W. Wagner and Liana Nobre and Uri Tabori and Cynthia Hawkins and Birgit B. Ertl-Wagner and Farzad Khalvati},
journal= {arXiv preprint arXiv:2211.05269},
year = {2024}
}