从单一样本准确学习分割解剖结构
计算机视觉与模式识别
2020-07-09 v2
摘要
关键解剖结构的准确分割是医学图像分析的核心。主要瓶颈在于以可扩展方式收集必需的专家标注图像。能够不使用大量全标注训练图像而产出准确解剖结构分割的方法极为可取。在本文中，我们提出 Contour Transformer Network（CTN）的新颖贡献，一种包含天然内置人在回路（human-in-the-loop）机制的单样本解剖分割器。分割通过基于图卷积网络（GCNs）学习轮廓演化行为过程来表述。我们的 CTN 模型训练仅需一个标注图像样本，并通过新引入的度量轮廓全局形状与外观一致性的损失函数利用额外未标注数据。我们证明，我们的单样本学习方法显著优于非基于学习的方法，并与最先进的 fully supervised 深度学习方法具竞争力。借助极少量人在回路编辑反馈，分割性能可进一步提升并定制至观察者期望结果。这可促进临床医生设计的基于成像的生物标志物评估（以支持个性化定量临床诊断），并优于全监督基线。
引用
@article{arxiv.2007.03052,
title = {Learning to Segment Anatomical Structures Accurately from One Exemplar},
author = {Yuhang Lu and Weijian Li and Kang Zheng and Yirui Wang and Adam P. Harrison and Chihung Lin and Song Wang and Jing Xiao and Le Lu and Chang-Fu Kuo and Shun Miao},
journal= {arXiv preprint arXiv:2007.03052},
year = {2020}
}
备注
MICCAI2020 (Early accept)