用于脊柱MR图像分割的半监督混合脊柱网络
图像与视频处理
2022-03-24 v1 计算机视觉与模式识别
机器学习
摘要
在3D磁共振(MR)图像中自动分割椎体(VBs)和椎间盘(IVDs)对于脊柱疾病的诊断和治疗至关重要。然而,同时分割VBs和IVDs并非易事。此外,还存在诸如各向异性分辨率导致的模糊分割、高计算成本、类间相似性与类内变异性以及数据不平衡等问题。我们提出了一种称为半监督混合脊柱网络(SSHSNet)的两阶段算法,通过实现准确的VB和IVD同步分割来解决这些问题。在第一阶段,我们构建了一个2D半监督DeepLabv3+,利用交叉伪监督获取切片内特征和粗分割。在第二阶段,构建了一个3D全分辨率基于块的DeepLabv3+。该模型可用于提取切片间信息,并结合第一阶段提供的粗分割与切片内特征。此外,应用交叉三注意力模块来补偿由2D和3D网络分别生成的切片间与切片内信息损失,从而提升特征表示能力并获得满意的分割结果。所提出的SSHSNet在一个公开可用的脊柱MR图像数据集上进行了验证,并取得了卓越的分割性能。此外,结果表明所提方法在处理数据不平衡问题上具有很大潜力。据先前报道,很少有研究将半监督学习策略与交叉注意力机制结合用于脊柱分割。因此,所提方法可作为一种有用的脊柱分割工具,并在临床上辅助脊柱疾病的诊断与治疗。代码公开于:https://github.com/Meiyan88/SSHSNet。
引用
@article{arxiv.2203.12151,
title = {Semi-Supervised Hybrid Spine Network for Segmentation of Spine MR Images},
author = {Meiyan Huang and Shuoling Zhou and Xiumei Chen and Haoran Lai and Qianjin Feng},
journal= {arXiv preprint arXiv:2203.12151},
year = {2022}
}