用于一次性医学图像分割的自监督生成式风格迁移
计算机视觉与模式识别
2021-10-06 v1
摘要
在医学图像分割中，有监督深度网络的成功以需要大量标注数据为代价。虽然请领域专家仅标注队列中一张或少数几张图像是可行的，但标注所有可用图像却不现实。当预训练深度网络暴露于来自陌生分布的新的图像数据集时，此问题更趋严重。利用可用的开源数据进行特设迁移学习或手工调参的数据增强技术只能提供次优解。受基于图谱的分割启发，我们提出一种新颖的体数据自监督学习增强方法，能够通过从单张标注图谱到未标注数据学习变换来合成体图像-分割配对。我们工作的核心原则得益于一次性生成式学习与所提自监督训练策略的结合视角，该策略将风格相似的未标注体图像聚类在一起。与以往方法不同，我们的方法在推理时不需要输入体数据来合成新图像。相反，给定单站点或多站点数据集，它可从先验分布生成多样化的体图像-分割配对。由我们的方法生成的增强数据用于训练分割网络，在脑 MRI 分割任务上相比最先进（SOTA）深度一次性学习方法提供了显著提升。消融实验进一步表明，与现有医学配准方法相比，所提外观模型与联合训练对于合成逼真样本至关重要。代码、数据与模型见 https://github.com/devavratTomar/SST。
引用
@article{arxiv.2110.02117,
title = {Self-Supervised Generative Style Transfer for One-Shot Medical Image Segmentation},
author = {Devavrat Tomar and Behzad Bozorgtabar and Manana Lortkipanidze and Guillaume Vray and Mohammad Saeed Rad and Jean-Philippe Thiran},
journal= {arXiv preprint arXiv:2110.02117},
year = {2021}
}
备注
Accepted in WACV 2022