HAD-Net：一种用于在无增强后图像条件下改进增强肿瘤分割的分层对抗知识蒸馏网络
图像与视频处理
2021-05-14 v4 计算机视觉与模式识别
机器学习
摘要
从 MRI 中分割增强肿瘤或病灶对于在许多临床情境中检测新疾病活动十分重要。然而，准确的分割需要纳入在给患者注射造影剂（如钆）后采集的医学图像（如 T1 增强后 MRI），而这一过程已不再被认为是安全的。尽管过去几年已开发出若干模态无关分割网络，但其在增强病灶分割任务中成效有限。在本工作中，我们提出 HAD-Net，一种新颖的离线对抗知识蒸馏（KD）技术，其中，一个可访问所有 MRI 序列的预训练教师分割网络，通过分层对抗训练，教导学生网络更好地克服在推理时缺失关键图像所带来的巨大域偏移。具体而言，我们将 HAD-Net 应用于在无增强后成像可用条件下的增强肿瘤分割这一挑战性任务。所提网络在 BraTS 2019 脑肿瘤分割挑战数据集上训练和测试，在增强肿瘤（ET）的 Dice 分数方面，相对于（a）近期模态无关分割方法（U-HeMIS、U-HVED）、（b）适配于该问题的 KD-Net、（c）预训练学生网络以及（d）该网络的非分层版本（AD-Net），取得了 16%–26% 范围内的性能提升。该网络在肿瘤核心（TC）的 Dice 分数上也显示出改进。最后，基于 BraTS 2019 不确定性挑战指标，该网络在增强肿瘤分割的不确定性量化方面优于基线学生网络和 AD-Net。我们的代码公开于：https://github.com/SaverioVad/HAD_Net
引用
@article{arxiv.2103.16617,
title = {HAD-Net: A Hierarchical Adversarial Knowledge Distillation Network for Improved Enhanced Tumour Segmentation Without Post-Contrast Images},
author = {Saverio Vadacchino and Raghav Mehta and Nazanin Mohammadi Sepahvand and Brennan Nichyporuk and James J. Clark and Tal Arbel},
journal= {arXiv preprint arXiv:2103.16617},
year = {2021}
}
备注
Accepted at Medical Imaging with Deep Learning (MIDL) 2021