基于半监督学习的 3D 盆腔 CT 图像前列腺及危险器官语义分割
计算机视觉与模式识别
2021-09-14 v4 人工智能
摘要
自动分割可通过节省手动勾画工作以及减少观察者内和观察者间差异来辅助放疗治疗计划。深度学习方法的最近发展通过显著改善性能而革新了医学数据处理，包括语义分割。然而，训练有效的深度学习模型通常需要大量高质量标注数据，而这些数据收集往往代价高昂。我们开发了一种用于 3D 盆腔 CT 图像语义分割的新型半监督对抗深度学习方法。与有监督深度学习方法不同，新方法能够同时利用标注和未标注数据进行训练。它通过采用生成对抗网络 (GANs) 的数据增强方案生成未标注的合成数据。我们将新方法应用于男性盆腔 CT 图像中多器官的分割，其中无标注 CT 图像和 GAN 合成的未标注图像被用于半监督学习。由三项指标（Dice 相似系数、平均 Hausdorff 距离和平均表面 Hausdorff 距离）评估的实验结果表明，新方法以显著更少的标注图像取得了相当的性能，或以相同数量的标注数据取得了更优的性能，优于现有的 SOTA 方法。
引用
@article{arxiv.2009.09571,
title = {Semi-supervised Semantic Segmentation of Prostate and Organs-at-Risk on 3D Pelvic CT Images},
author = {Zhuangzhuang Zhang and Tianyu Zhao and Hiram Gay and Baozhou Sun and Weixiong Zhang},
journal= {arXiv preprint arXiv:2009.09571},
year = {2021}
}
备注
16 pages, 4 figures