伪标签引导的多对比度泛化用于非对比器官感知分割
图像与视频处理
2022-05-13 v1 计算机视觉与模式识别
机器学习
摘要
非对比计算机断层扫描（NCCT）常用于肺癌筛查、一般腹痛或疑似肾结石评估、创伤评价以及许多其他适应证。然而，缺乏对比剂限制了器官间边界的区分。本文提出一种新颖的无监督方法，利用成对的增强对比 CT（CECT）上下文来计算无真实标签的非对比分割。与生成对抗方法不同，我们利用 CECT 计算成对形态学上下文以提供教师指导，而非生成虚假的解剖上下文。此外，我们进一步在“器官特定”设置中增强强度相关性，并提高对器官感知边界的灵敏度。我们使用五折交叉验证，在具有配对非对比与增强对比 CT 扫描的多器官分割上验证我们的方法。对独立非对比队列进行主动脉分割的全面外部验证。与当前全监督状态下最先进的腹部器官分割方法相比，我们提出的流程在腹部器官分割上内部多器官标注的 Dice 显著高出 3.98%，外部主动脉标注的高出 8.00%。代码和预训练模型公开于 https://github.com/MASILab/ContrastMix。
引用
@article{arxiv.2205.05898,
title = {Pseudo-Label Guided Multi-Contrast Generalization for Non-Contrast Organ-Aware Segmentation},
author = {Ho Hin Lee and Yucheng Tang and Riqiang Gao and Qi Yang and Xin Yu and Shunxing Bao and James G. Terry and J. Jeffrey Carr and Yuankai Huo and Bennett A. Landman},
journal= {arXiv preprint arXiv:2205.05898},
year = {2022}
}