从部分标注数据中学习以进行多器官与肿瘤分割
计算机视觉与模式识别
2022-11-15 v1
摘要
用于器官与肿瘤分割的医学图像基准因标注劳动与专业知识成本高昂而存在部分标注问题。当前主流方法遵循一个网络解决一个任务的实践。该流程下，性能不仅受限于单一任务典型的小数据集，且计算成本随任务数量线性增长。为此，我们提出一种基于Transformer的动态按需网络（TransDoDNet），可在多个部分标注数据集上学习分割器官与肿瘤。具体而言，TransDoDNet具有由卷积神经网络与Transformer组成的混合骨干。动态头使网络能灵活完成多分割任务。与训练后固定核的现有方法不同，动态头中的核由Transformer自适应生成，其利用自注意力机制建模长程器官间依赖并解码可表征各器官的器官嵌入。我们构建了大规模部分标注多器官与肿瘤分割基准MOTS，并在七项器官与肿瘤分割任务上展示了TransDoDNet优于其他竞争方法的性能。本研究还提供了一个通用3D医学图像分割模型，其在大尺度MOTS基准上预训练，并展现出优于当前主导自监督学习方法BYOL的先进性能。代码将发布于 \url{https://git.io/DoDNet}。
引用
@article{arxiv.2211.06894,
title = {Learning from partially labeled data for multi-organ and tumor segmentation},
author = {Yutong Xie and Jianpeng Zhang and Yong Xia and Chunhua Shen},
journal= {arXiv preprint arXiv:2211.06894},
year = {2022}
}
备注
An extension of our CVPR2021 work 'DoDNet: Learning to segment multi-organ and tumors from multiple partially labeled datasets'. arXiv admin note: substantial text overlap with arXiv:2011.10217