REHRSeg：释放自监督超分辨率在资源高效3D MRI分割中的力量
图像与视频处理
2024-10-15 v1 人工智能
计算机视觉与模式识别
摘要
高分辨率（HR）3D磁共振成像（MRI）可以提供详细的解剖结构信息，使能够精确分割区域感兴趣部位，以支持各种医学图像分析任务。由于对获取设备的高需求，HR图像及其注释在临床场景下往往难以获取。因此，基于低分辨率（LR）图像（大切片厚度）的分割结果常不令人满意。本文提出一种新型资源高效高分辨率分割框架（REHRSeg），以解决上述挑战，能够仅使用LR图像作为输入即可实现HR分割。REHRSeg设计为利用自监督超分辨率（self-SR）提供伪监督，因此可以直接使用相对容易获取的LR注释图像（通过2D扫描协议生成）进行模型训练。为确保self-SR在增强分割方面的有效性，本工作主要贡献包括：（1）我们通过使用伪数据来解决医疗领域数据稀缺问题，以训练分割模型。（2）我们在self-SR中设计了一个不确定性感知超分辨率（UASR）头部，以提高对区域感兴趣部位边界常见不确定性的意识。（3）我们通过结构知识蒸馏对self-SR和分割进行空间特征对齐，以实现更好地捕获区域相关性。实验结果表明，REHRSeg能够在不需要大量监督的情况下实现高质量HR分割，同时显著提高了LR分割的基线性能。
引用
@article{arxiv.2410.10097,
title = {REHRSeg: Unleashing the Power of Self-Supervised Super-Resolution for Resource-Efficient 3D MRI Segmentation},
author = {Zhiyun Song and Yinjie Zhao and Xiaomin Li and Manman Fei and Xiangyu Zhao and Mengjun Liu and Cunjian Chen and Chung-Hsing Yeh and Qian Wang and Guoyan Zheng and Songtao Ai and Lichi Zhang},
journal= {arXiv preprint arXiv:2410.10097},
year = {2024}
}