利用无标注多视图数据进行前列腺 MRI 分割：一种对比学习方法
图像与视频处理
2023-09-18 v2 计算机视觉与模式识别
摘要
准确的前列腺勾画与体积表征可支持前列腺癌的临床评估。大量自动前列腺分割工具仅考虑轴向 MRI 方向，尽管按采集协议可获得多视图数据。此外，当利用多视图数据时，通常假设所有视图在测试时均有手动标注与可用。本工作中，我们在训练时探索一种对比方法以利用无标注多视图数据，并在部署时视图缺失情况下提供灵活性。我们提出基于 U-Net 的三元组编码器与单一解码器网络，即 tU-Net（triplet U-Net）。我们所提架构能够通过对比学习利用无标注矢状与冠状视图，从体积视角改进分割。为此，我们引入潜空间中视图间相似性的概念。为引导训练，我们将针对轴向视图及其手动标注计算的 dice 分数损失与多视图对比损失相结合。tU-Net 在 dice 分数系数 (DSC) 上相对仅轴向视图显示出统计改进（91.25±0.52% 对比 86.40±1.50%，P<.001）。敏感性分析揭示了当与 tU-Net 配对时对比损失的体积正向影响（2.85±1.34% 对比 3.81±1.88%，P<.001）。此外，我们的方法在内部数据集上测试多视图数据时显示出良好的外部体积泛化性（2.76±1.89% 对比 3.92±3.31%，P=.002），表明通过对比学习利用无标注多视图数据的可行性，同时在部署时视图缺失情况下提供灵活性。
引用
@article{arxiv.2308.06477,
title = {Leveraging multi-view data without annotations for prostate MRI segmentation: A contrastive approach},
author = {Tim Nikolass Lindeijer and Tord Martin Ytredal and Trygve Eftestøl and Tobias Nordström and Fredrik Jäderling and Martin Eklund and Alvaro Fernandez-Quilez},
journal= {arXiv preprint arXiv:2308.06477},
year = {2023}
}
备注
Under review