利用图像重建改进CBCT扫描语义分割的多任务学习
图像与视频处理
2024-12-03 v2 计算机视觉与模式识别
摘要
语义分割是医学图像处理中的一项关键任务，对于分割器官或肿瘤等病变至关重要。在本研究中，我们旨在通过多任务学习改进CBCT的自动分割。为了评估对不同体积质量的影响，从CT肝脏肿瘤分割基准(LiTS)数据集合成了一个CBCT数据集。为了改进分割，研究了两种方法。首先，我们执行多任务学习，通过体积重建任务添加基于形态学的正则化。其次，我们使用该重建任务来重建最高质量的CBCT（最接近原始CT），从而促进去噪效果。我们探索了整体方法和基于图像块的方法。我们的研究结果表明，特别是使用基于图像块的方法时，多任务学习在大多数情况下能改进分割，并且这些结果可以通过我们的去噪方法得到进一步改善。
引用
@article{arxiv.2312.12990,
title = {Multi-task Learning To Improve Semantic Segmentation Of CBCT Scans Using Image Reconstruction},
author = {Maximilian Ernst Tschuchnig and Julia Coste-Marin and Philipp Steininger and Michael Gadermayr},
journal= {arXiv preprint arXiv:2312.12990},
year = {2024}
}
备注
Accepted and presented at German Conference on Medical Image Computing (BVM) 2024 edit: During work on this publication Maximilian Ernst Tschuchnig was affiliated with Salzburg University of Applied Sciences and University of Salzburg