神经风格迁移改善不一致数据上的三维心血管MR图像分割
计算机视觉与模式识别
2019-09-27 v1
摘要
三维医学图像分割是医学图像分析中最重要的问题之一，并在下游诊断和治疗中发挥关键作用。近年来，深度神经网络在医学图像分割问题上取得了突破性成功。然而，由于仪器参数、实验方案和受试者外观的高度差异，由不同机器和医院生成的医学图像的不一致性常常阻碍深度学习模型的泛化。在这项工作中，我们提出 StyleSegor，一种高效且易用的策略来缓解这种不一致性问题。具体而言，应用神经风格迁移算法于未标记数据，以最小化标记与未标记数据之间在亮度、对比度、纹理等图像属性上的差异。我们还对网络输出进行概率调整，并通过集成学习整合多个预测。在 MICCAI HVSMR 2016 挑战赛的公开可用全心分割基准数据集上，我们展示了超越当前最先进方法（SOTA）的更高 Dice 精度，并且值得注意的是，总分提升了 29.91%。因此，StyleSegor 被证实为一种用于三维全心分割的精确工具，尤其适用于高度不一致的数据，其代码见 https://github.com/horsepurve/StyleSegor。
引用
@article{arxiv.1909.09716,
title = {Neural Style Transfer Improves 3D Cardiovascular MR Image Segmentation on Inconsistent Data},
author = {Chunwei Ma and Zhanghexuan Ji and Mingchen Gao},
journal= {arXiv preprint arXiv:1909.09716},
year = {2019}
}
备注
22nd International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2019) early accept