基于多尺度引导密集注意力的辐射诱发肺纤维化肺 CT 图像半监督分割
图像与视频处理
2022-06-08 v1 计算机视觉与模式识别
摘要
计算机断层扫描（CT）在监测辐射诱发的肺纤维化（PF）中发挥着重要作用，其中对 PF 病灶的准确分割对于诊断和治疗随访极为关键。然而，病灶边界模糊、形状不规则、位置与大小各异，以及难以获取大量用于训练的标注体积图像，给该任务带来了挑战。为克服这些问题，我们提出了一种名为 PF-Net 的新型卷积神经网络，并将其整合到基于伪标签迭代置信度细化与加权（I-CRAWL）的半监督学习框架中。我们的 PF-Net 结合了 2D 和 3D 卷积以处理具有大层间距的 CT 体积，并利用多尺度引导密集注意力来分割复杂的 PF 病灶。在半监督学习方面，我们的 I-CRAWL 采用像素级基于不确定性的置信度感知细化来提高未标注图像伪标签的准确性，并在迭代训练过程中使用图像级不确定性进行基于置信度的图像加权，以抑制低质量伪标签。在患有辐射诱发 PF 的恒河猴 CT 扫描上进行的大量实验表明：1) PF-Net 取得了比现有 2D、3D 和 2.5D 神经网络更高的分割精度；2) I-CRAWL 在 PF 病灶分割任务上优于最先进的半监督学习方法。我们的方法有望改善 PF 的诊断及肺癌放疗副作用的临床评估。
引用
@article{arxiv.2109.14172,
title = {Semi-Supervised Segmentation of Radiation-Induced Pulmonary Fibrosis from Lung CT Scans with Multi-Scale Guided Dense Attention},
author = {Guotai Wang and Shuwei Zhai and Giovanni Lasio and Baoshe Zhang and Byong Yi and Shifeng Chen and Thomas J. Macvittie and Dimitris Metaxas and Jinghao Zhou and Shaoting Zhang},
journal= {arXiv preprint arXiv:2109.14172},
year = {2022}
}
备注
12 pages, 9 figures. Submitted to IEEE TMI