利用全局二值掩码进行医学图像结构分割
图像与视频处理
2023-08-25 v2 人工智能
机器学习
摘要
用于医学图像分割的深度学习（DL）模型高度受输入图像强度变化影响，且因主要利用像素强度信息进行推断而缺乏泛化能力。获取充足训练数据是限制模型应用的另一挑战。我们提出利用医学图像中器官解剖形状与位置信息的一致性。我们引入了一种通过全局二值掩码利用反复出现的解剖模式进行器官分割的框架。研究了两种情形：1）全局二值掩码作为模型（即 U-Net）的唯一输入，迫使模型仅编码器官的位置与形状信息以进行分割/定位；2）全局二值掩码作为附加通道融入，充当位置/形状线索以缓解训练数据稀缺。脑与心脏 CT 图像两个数据集及其真值分别按 (26:10:10) 与 (12:3:5) 划分为训练、验证与测试集。仅基于全局二值掩码训练在脑与心脏结构上分别得到 Dice 分数 0.77(0.06) 与 0.85(0.04)，相对于真值质心的平均欧氏距离分别为 3.12(1.43)mm 与 2.5(0.93)mm。结果表明，全局二值掩码编码了令人惊讶程度的位置与形状信息。在小规模训练数据子集下，融入全局二值掩码相较仅基于 CT 图像训练的模型精度显著更高；在脑与心脏数据集 1-8 例训练情形下性能分别提升 4.3-125.3% 与 1.3-48.1%。这些发现暗示了利用全局二值掩码构建可泛化模型及补偿训练数据稀缺的优势。
引用
@article{arxiv.2205.09107,
title = {Leveraging Global Binary Masks for Structure Segmentation in Medical Images},
author = {Mahdieh Kazemimoghadam and Zi Yang and Lin Ma and Mingli Chen and Weiguo Lu and Xuejun Gu},
journal= {arXiv preprint arXiv:2205.09107},
year = {2023}
}