使用对抗学习进行缺血性脑卒中病灶分割
图像与视频处理
2022-04-12 v1 计算机视觉与模式识别
机器学习
摘要
缺血性脑卒中由向大脑供血的堵塞血管阻塞引起。对卒中病灶的分割对于改善诊断、结果评估与治疗规划至关重要。本文提出一种带对抗学习的分割模型用于缺血性病灶分割。我们采用带跳跃连接与 dropout 的 U-Net 作为分割基线网络，并采用全连接网络（FCN）作为判别器网络。判别器网络由 5 个卷积层后接 leaky-ReLU 以及一个上采样层组成，以将输出重缩放至输入特征图大小。将分割网络与对抗网络一同训练可检测并纠正由真值与分割器产生的分割图之间的高阶不一致。我们利用 ISLES 2018（缺血性脑卒中病灶分割）提供的急性计算机断层扫描（CT）灌注数据的三种模态（CT、DPWI、CBF）进行缺血性病灶分割。我们的模型在训练交叉验证中取得了 42.10% 的 dice 准确率，在测试数据中取得了 39% 的准确率。
引用
@article{arxiv.2204.04993,
title = {Ischemic Stroke Lesion Segmentation Using Adversarial Learning},
author = {Mobarakol Islam and N Rajiv Vaidyanathan and V Jeya Maria Jose and Hongliang Ren},
journal= {arXiv preprint arXiv:2204.04993},
year = {2022}
}
备注
Published in MICCAI ISLES Challenge 2018