MMOTU：用于无监督跨域语义分割的多模态卵巢肿瘤超声图像数据集
计算机视觉与模式识别
2023-12-01 v4
摘要
卵巢癌是最具危害性的妇科疾病之一。利用计算机辅助技术在早期检测卵巢肿瘤可有效降低死亡率。随着医疗标准的提高，超声图像在临床治疗中得到了广泛应用。然而，近期显著的方法主要聚焦于单模态超声卵巢肿瘤分割或识别，这意味着仍缺乏探索多模态超声卵巢肿瘤图像表征能力的研究。为解决此问题，我们提出了一个多模态卵巢肿瘤超声（MMOTU）图像数据集，包含1469张二维超声图像和170张超声造影（CEUS）图像，并带有像素级和全局级标注。基于MMOTU，我们主要聚焦于无监督跨域语义分割任务。为解决域偏移问题，我们提出了一种基于特征对齐的架构，称为双方案域选择网络（DS2Net）。具体而言，我们首先设计源编码器和目标编码器以提取源图像和目标图像的两种风格特征。然后，我们提出域差异选择模块（DDSM）和域通用选择模块（DUSM）以提取两种风格（源风格或目标风格）中的差异特征和通用特征。最后，我们将这两类特征融合并输入源解码器和目标解码器以生成最终预测。在MMOTU图像数据集上的大量对比实验与分析表明，DS2Net能够提升二维超声图像与CEUS图像双向跨域自适应的分割性能。我们提出的数据集与代码均可在 https://github.com/cv516Buaa/MMOTU_DS2Net 获取。
引用
@article{arxiv.2207.06799,
title = {MMOTU: A Multi-Modality Ovarian Tumor Ultrasound Image Dataset for Unsupervised Cross-Domain Semantic Segmentation},
author = {Qi Zhao and Shuchang Lyu and Wenpei Bai and Linghan Cai and Binghao Liu and Guangliang Cheng and Meijing Wu and Xiubo Sang and Min Yang and Lijiang Chen},
journal= {arXiv preprint arXiv:2207.06799},
year = {2023}
}
备注
code: https://github.com/cv516Buaa/MMOTU_DS2Net paper:18 pages, 12 figures, 11 tables, 16 formulas