用于缺血性脑卒中病灶分割的自监督少样本学习
图像与视频处理
2023-12-06 v2 计算机视觉与模式识别
机器学习
摘要
精确的缺血病灶分割对改善缺血性脑卒中（死亡率最高的常见疾病之一）的诊断与治疗规划至关重要。尽管近期提出众多深度神经网络方法解决该问题，这些方法训练需大量标注区域，在标注数据稀缺的医疗领域并不现实。为此，我们提出一种原型少样本分割方法，训练仅用一例标注样本进行缺血病灶分割。该方法利用一种新颖的自监督训练机制，通过挖掘计算机断层灌注扫描生成的彩色编码参数图，量身定制于缺血性脑卒中病灶分割任务。我们展示了所提训练机制的优势，在少样本设定下带来性能的显著提升。给定单例标注患者，缺血病灶分割平均 Dice 系数达 0.58。
引用
@article{arxiv.2303.01332,
title = {Self-Supervised Few-Shot Learning for Ischemic Stroke Lesion Segmentation},
author = {Luca Tomasetti and Stine Hansen and Mahdieh Khanmohammadi and Kjersti Engan and Liv Jorunn Høllesli and Kathinka Dæhli Kurz and Michael Kampffmeyer},
journal= {arXiv preprint arXiv:2303.01332},
year = {2023}
}