M-GenSeg：基于高效标注监督的靶模态肿瘤分割域适应方法
图像与视频处理
2023-08-01 v2 计算机视觉与模式识别
摘要
使用深度神经网络的自动医学图像分割通常需要大量监督训练。然而，这些模型在不同成像模态间泛化不佳。该缺陷因专家标注数据有限而放大，阻碍了此类方法在跨模态更大规模部署。为解决这些问题，我们提出 M-GenSeg，一种用于非配对双模态数据集上跨模态肿瘤分割的新型半监督生成式训练策略。加入已知健康图像后，无监督目标鼓励模型将肿瘤与背景解耦，这与分割任务相平行。随后，通过教导模型跨模态转换图像，我们利用源模态可用的像素级标注实现未标注靶模态的分割。我们在由公开 BraTS 2020 挑战数据四种不同对比序列组成的脑肿瘤分割数据集上评估性能。我们报告了在未标注靶模态上相对于最先进域适应基线的 Dice 分数持续提高。与已有方法不同，M-GenSeg 还引入了以部分标注源模态训练的能力。
引用
@article{arxiv.2212.07276,
title = {M-GenSeg: Domain Adaptation For Target Modality Tumor Segmentation With Annotation-Efficient Supervision},
author = {Malo Alefsen de Boisredon d'Assier and Eugene Vorontsov and Samuel Kadoury},
journal= {arXiv preprint arXiv:2212.07276},
year = {2023}
}
备注
11 pages and 6 figures