学习修复：面向三维器官分割的领域自适应形状补全
计算机视觉与模式识别
2023-08-21 v1
摘要
我们旨在将显式的形状信息融入当前的三维器官分割模型中。与以往工作不同，我们将形状学习表述为一个修复任务，命名为掩码标签掩码建模（Masked Label Mask Modeling, MLM）。通过 MLM，可学习的掩码令牌被送入 transformer 模块以补全器官的标签掩码。为了将 MLM 形状知识迁移到目标域，我们进一步提出了一种新颖的具有修复重建损失和伪损失的形状感知自蒸馏方法。在五个公开器官分割数据集上的大量实验表明，相较于先前方法取得了持续的提升，Dice 分数至少提高 1.2 个点，证明了我们的方法在具有挑战性的无监督领域自适应场景中的有效性，包括：（1）同域器官分割；（2）未见域分割；（3）未见器官分割。我们希望这项工作能推动医学影像中的形状分析与几何学习。
引用
@article{arxiv.2308.08775,
title = {Learning to In-paint: Domain Adaptive Shape Completion for 3D Organ Segmentation},
author = {Mingjin Chen and Yongkang He and Yongyi Lu and Zhijing Yang},
journal= {arXiv preprint arXiv:2308.08775},
year = {2023}
}