利用带不确定性的解剖约束进行气胸分割
图像与视频处理
2023-11-28 v1 计算机视觉与模式识别
机器学习
摘要
气胸是一种因胸膜腔（肺与胸壁之间的潜在间隙）内空气异常积聚而引起的医疗急症。在 2D 胸部 X 光片上，气胸发生于胸腔内且纵隔之外，我们将此区域称为“肺+空间”（lung+ space）。虽然深度学习（DL）已日益用于分割胸部 X 光片中的气胸病灶，许多现有 DL 模型采用端到端方法。这些模型直接将胸部 X 光片映射到临床医生标注的病灶区域，常忽视气胸本质上对位置敏感这一重要领域知识。我们提出一种新方法，在 DL 模型训练中将肺+空间作为约束用于 2D 胸部 X 光片的气胸分割。为避免额外标注需求并防止目标任务上的潜在标签泄漏，我们的方法利用外部数据集和肺分割辅助任务，为每张胸部 X 光片生成特定的肺+空间约束。此外，我们引入一个判别器以消除因辅助数据集与目标数据集间领域偏移导致的不可靠约束。我们的结果显示了显著改进，在交并比（IoU）、Dice 相似系数（DSC）和豪斯多夫距离（HD）上平均性能分别提升 4.6%、3.6% 和 3.3%。我们的研究强调了融入关于气胸位置特异性性质的医学领域知识以增强基于 DL 的病灶分割的重要性。
引用
@article{arxiv.2311.15213,
title = {Leveraging Anatomical Constraints with Uncertainty for Pneumothorax Segmentation},
author = {Han Yuan and Chuan Hong and Nguyen Tuan Anh Tran and Xinxing Xu and Nan Liu},
journal= {arXiv preprint arXiv:2311.15213},
year = {2023}
}