互逆对抗学习用于脑肿瘤分割：BraTS 2021 分割任务的解决方案
图像与视频处理
2022-01-12 v1 计算机视觉与模式识别
摘要
本文提出了一种基于对抗学习的脑肿瘤分割任务训练方法。在该思路中，三维分割网络从双重互逆对抗学习方法中学习。为了增强分割预测的泛化能力并使分割网络具有鲁棒性，我们遵循虚拟对抗训练（Virtual Adversarial Training）方法，通过在原始患者数据上添加一些噪声来生成更多对抗样本。通过引入一个充当定量主观裁判的判别器（critic），分割网络从与分割结果相关的不确定性信息中学习。我们在 RSNA-ASNR-MICCAI BraTS 2021 数据集上训练和评估了网络架构。我们在在线验证数据集上的性能如下：对于增强肿瘤、全肿瘤和肿瘤核心，Dice 相似系数分别为 81.38%、90.77% 和 85.39%；Hausdorff 距离（95%）分别为 21.83 mm、5.37 mm、8.56 mm。类似地，我们的方法在最终测试数据集上取得了 84.55%、90.46% 和 85.30% 的 Dice 相似系数，以及 13.48 mm、6.32 mm 和 16.98 mm 的 Hausdorff 距离（95%）。总体而言，我们提出的方法在每个肿瘤子区域的分割精度上都取得了更好的性能。我们的代码实现公开于 https://github.com/himashi92/vizviva_brats_2021。
引用
@article{arxiv.2201.03777,
title = {Reciprocal Adversarial Learning for Brain Tumor Segmentation: A Solution to BraTS Challenge 2021 Segmentation Task},
author = {Himashi Peiris and Zhaolin Chen and Gary Egan and Mehrtash Harandi},
journal= {arXiv preprint arXiv:2201.03777},
year = {2022}
}