用于医学图像配准的半弱监督神经网络训练
图像与视频处理
2024-02-19 v1 计算机视觉与模式识别
摘要
对于训练配准网络，来自分割的对应感兴趣区域（ROI）的弱监督已被证明有效：（a）补充无监督方法，以及（b）在无监督损失不可用或无效的配准任务中独立使用。这种对应信息监督需要标注成本，需要大量的专业努力。本文描述了一种半弱监督配准流程，当只有少量对应ROI标注数据集可用时，通过利用未标记的图像对来提高模型性能。我们研究了两种通过扰动网络权重和图像重采样的增强方法，以便在未标记数据上应用基于一致性的无监督损失。提出了新颖的WarpDDF和RegCut方法，允许在图像对与预测的空间变换（即配准网络的输入和输出）之间进行交换扰动，这与现有的用于分类或分割的扰动方法不同。使用589幅男性盆腔MR图像（标注了八个解剖ROI）进行的实验显示了配准性能的提升以及各个策略的消融贡献。此外，本研究尝试构建首个盆腔结构计算图谱之一，通过配准个体间MR实现，并量化了由于所提出的半弱监督导致的显著差异，同时讨论了示例图谱衍生统计数据的潜在临床用途。
引用
@article{arxiv.2402.10728,
title = {Semi-weakly-supervised neural network training for medical image registration},
author = {Yiwen Li and Yunguan Fu and Iani J. M. B. Gayo and Qianye Yang and Zhe Min and Shaheer U. Saeed and Wen Yan and Yipei Wang and J. Alison Noble and Mark Emberton and Matthew J. Clarkson and Dean C. Barratt and Victor A. Prisacariu and Yipeng Hu},
journal= {arXiv preprint arXiv:2402.10728},
year = {2024}
}