基于反事实生成学习的早产儿点状白质病变分割
图像与视频处理
2023-09-08 v1 计算机视觉与模式识别
机器学习
摘要
点状白质病变（PWMLs）的准确分割是相关发育障碍及时诊断与治疗的基础。考虑到病变通常较小、对比度低，且不同受试者间病变数量可能剧烈变化，从婴儿脑部 MR 图像中自动分割 PWMLs 具有挑战性。现有基于学习的方法直接将通用网络架构应用于这一困难任务，可能无法捕捉 PWMLs 的精细位置信息，从而导致严重的分割不足。本文提出利用反事实推理思想，并结合脑组织分割辅助任务，学习 PWMLs 的细粒度位置与形态表征，以实现准确定位与分割。据此设计了一个简单且易于实现的深度学习框架（即 DeepPWML）。该框架将病变反事实图与组织概率图相结合来训练轻量级 PWML 分割网络，在婴儿 T1w MR 图像的真实临床数据集上展现出最先进的性能。代码见 \href{https://github.com/ladderlab-xjtu/DeepPWML}{https://github.com/ladderlab-xjtu/DeepPWML}。
引用
@article{arxiv.2309.03440,
title = {Punctate White Matter Lesion Segmentation in Preterm Infants Powered by Counterfactually Generative Learning},
author = {Zehua Ren and Yongheng Sun and Miaomiao Wang and Yuying Feng and Xianjun Li and Chao Jin and Jian Yang and Chunfeng Lian and Fan Wang},
journal= {arXiv preprint arXiv:2309.03440},
year = {2023}
}
备注
10 pages, 3 figures, Medical Image Computing and Computer Assisted Intervention(MICCAI)