来自不一致标记来源对脑 MRI 中的解剖结构和病灶进行分割的学习方法
图像与视频处理
2025-03-26 v2 计算机视觉与模式识别
摘要
对脑磁共振图像 (MRI) 中的健康组织结构与病灶进行分割仍是当今算法面临的挑战，主要原因是病灶导致组织结构被破坏，且缺乏在同一图像上同时标注健康组织和病灶的训练数据集。为了解决这一问题，本文提出了一种鲁棒于病灶引起结构破坏且可从不一致标记训练集中进行训练（即无需同时标注样本）的分割方法。与先前方法不同，我们将健康组织和病灶分割解耦为两个路径，以充分利用多序列获取的数据，并通过注意力机制合并信息。在推理阶段，图像特定的适应性措施可减少病灶区域对健康组织预测的负面影响。在训练阶段，通过元学习考虑适应性，并采用联合训练方式从不一致标记的训练图像中进行学习。我们的模型在公开的脑肿瘤数据集上对多个解剖结构和病灶实现了 improved performance，优于当前最先进的分割方法。
引用
@article{arxiv.2503.18840,
title = {Learning to segment anatomy and lesions from disparately labeled sources in brain MRI},
author = {Meva Himmetoglu and Ilja Ciernik and Ender Konukoglu},
journal= {arXiv preprint arXiv:2503.18840},
year = {2025}
}