用于危险器官与肿瘤分割及不确定性量化的自监督学习
图像与视频处理
2023-05-05 v1 计算机视觉与模式识别
摘要
在本研究中，我们的目标是对比昂贵的全监督学习，展示 transformer 自监督预训练对危险器官 (OAR) 和肿瘤分割的影响。所提出的算法称为基于蒙特卡洛 transformer 的 U-Net (MC-Swin-U)。与许多其他可用模型不同，我们的方法在生成体素级预测的同时，通过蒙特卡洛 dropout 策略给出不确定性量化。我们在公共和一个私有数据集上测试并验证了所提模型，并评估了大体肿瘤体积 (GTV) 以及附近危险器官的边界。我们表明，自监督预训练方法显著提升了分割分数，同时为避免大规模标注成本提供了额外益处。
引用
@article{arxiv.2305.02491,
title = {Self-Supervised Learning for Organs At Risk and Tumor Segmentation with Uncertainty Quantification},
author = {Ilkin Isler and Debesh Jha and Curtis Lisle and Justin Rineer and Patrick Kelly and Bulent Aydogan and Mohamed Abazeed and Damla Turgut and Ulas Bagci},
journal= {arXiv preprint arXiv:2305.02491},
year = {2023}
}