基于空间配准的原型少样本分割用于跨机构男性骨盆结构
图像与视频处理
2023-08-28 v3 计算机视觉与模式识别
摘要
少样本学习在医学图像分析中令人青睐的优势在于对支持图像数据的高效利用,这些数据被标注以分类或分割新类别,而该任务原本需要大量训练图像与专家标注。本工作描述了一种全 3D 原型少样本分割算法,使得训练好的网络可有效适配训练时缺失的临床关注结构,仅使用来自不同机构的少量标注图像。首先,为补偿新类别情景式适配中机构间广泛存在的空间变异性,将一种新颖的空间配准机制集成入原型学习,由分割头与空间对齐模块构成。其次,为辅助应对观测到的不完美对齐的训练,提出支持掩码调节模块以进一步利用支持图像可用标注。使用在七家机构获取的 589 张骨盆 T2 加权 MR 图像数据集,在分割八个对介入规划重要的解剖结构的应用中给出了大量实验。结果证明了 3D 形式、空间配准与支持掩码调节各自的有效性,它们独立或共同作出了积极贡献。与先前提出的 2D 替代方案相比,无论支持数据来自同机构或不同机构,少样本分割性能均取得统计显著性提升。
引用
@article{arxiv.2209.05160,
title = {Prototypical few-shot segmentation for cross-institution male pelvic structures with spatial registration},
author = {Yiwen Li and Yunguan Fu and Iani Gayo and Qianye Yang and Zhe Min and Shaheer Saeed and Wen Yan and Yipei Wang and J. Alison Noble and Mark Emberton and Matthew J. Clarkson and Henkjan Huisman and Dean Barratt and Victor Adrian Prisacariu and Yipeng Hu},
journal= {arXiv preprint arXiv:2209.05160},
year = {2023}
}
备注
accepted by Medical Image Analysis