用于快速适应风格化分割的先验引导深度差异元学习器
计算机视觉与模式识别
2022-11-22 v1
摘要
当预训练的通用电自动分割模型部署于新机构时，所提出的先验引导 DDL 网络中的支持框架会学习模型预测与临床医生修订并确认的初始患者最终轮廓之间的系统性差异。学习到的风格特征差异与新患者(查询)特征拼接，随后解码得到风格自适应分割结果。该模型独立于实践风格与解剖结构。它通过模拟风格差异进行元学习，训练时无需接触任何真实临床风格化结构。一旦在模拟数据上完成训练，即可部署用于临床，自适应新实践风格与新解剖结构而无需进一步训练。为验证概念，我们在三种不同解剖结构的六种实践风格变体上测试了先验引导 DDL 网络。预训练分割模型分别从术后临床靶区体积(CTV)分割自适应至分割 CTVstyle1、CTVstyle2 和 CTVstyle3，从腮腺分割自适应至分割 Parotidsuperficial，以及从直肠分割自适应至分割 Rectumsuperior 和 Rectumposterior。模型性能以 Dice 相似系数(DSC)量化。仅基于前三名患者自适应，CTVstyle1、CTVstyle2、CTVstyle3、Parotidsuperficial、Rectumsuperior 和 Rectumposterior 的平均 DSC 分别从 78.6、71.9、63.0、52.2、46.3 和 69.6 提升至 84.4、77.8、73.0、77.8、70.5、68.1，显示出先验引导 DDL 网络在快速且无负担地适应新实践风格方面的巨大潜力。
引用
@article{arxiv.2211.10588,
title = {Prior Guided Deep Difference Meta-Learner for Fast Adaptation to Stylized Segmentation},
author = {Anjali Balagopal and Dan Nguyen and Ti Bai and Michael Dohopolski and Mu-Han Lin and Steve Jiang},
journal= {arXiv preprint arXiv:2211.10588},
year = {2022}
}