少即是多：基于无监督掩码引导的最小人工分割标注CT图像合成
图像与视频处理
2023-03-23 v1 计算机视觉与模式识别
机器学习
摘要
作为一种实用的数据增强工具，数据合成通常为基于深度学习的医学图像分析带来性能收益。然而，为合成医学图像生成相应的分割掩码既费力又主观。为获得配对的合成医学图像与分割，提出了以分割掩码作为合成条件的条件生成模型。但这些分割掩码条件生成模型仍依赖大量、多样且带标签的训练数据集，且只能对人体解剖结构提供有限约束，导致不真实的图像特征。此外，不变的像素级条件会降低合成病灶的多样性，从而降低数据增强的效果。为解决这些问题，本工作中我们提出一种新颖的医学图像合成策略，即无监督掩码（UM）引导合成，以利用有限的人工分割标签获得合成图像与分割。我们首先开发一种基于超像素的算法生成无监督结构引导，然后设计条件生成模型，在半监督多任务设置下从这些无监督掩码同时合成图像与注释。此外，我们设计了多尺度多任务Fréchet Inception Distance（MM-FID）与多尺度多任务标准差（MM-STD）以兼顾合成CT图像的保真度与多样性评估。通过不同尺度的多重分析，我们可产生具有高可重复性的稳定图像质量度量。与分割掩码引导合成相比，我们的UM引导合成提供了高质量合成图像，具有显著更高的保真度、多样性和效用（Wilcoxon符号秩检验）。
引用
@article{arxiv.2303.12747,
title = {Less is More: Unsupervised Mask-guided Annotated CT Image Synthesis with Minimum Manual Segmentations},
author = {Xiaodan Xing and Giorgos Papanastasiou and Simon Walsh and Guang Yang},
journal= {arXiv preprint arXiv:2303.12747},
year = {2023}
}
备注
12 pages, 11 figures, accepted by IEEE TMI