面向有限标注下危险器官与大体肿瘤体积分割的分离式对比学习
图像与视频处理
2022-04-21 v2 计算机视觉与模式识别
机器学习
摘要
危险器官（OAR）与大体肿瘤体积（GTV）的自动勾画对放疗规划具有重要意义。然而，在有限的像素（体素）级标注下学习用于精确勾画的强大表征是一项具有挑战性的任务。像素级对比学习可通过从无标注数据中学习稠密表征来缓解对标注的依赖。该方向上的近期研究在特征图上设计各种对比损失，以图图中每个像素产生判别性特征。然而，同一特征图中的像素不可避免地共享语义而比其实际距离更近，这可能影响同图内像素的判别性，并导致与其他图中像素的不公平比较。为解决这些问题，我们提出一种分离的区域级对比学习方案，即 SepaReg，其核心是将每幅图像分离为区域并分别编码每个区域。具体而言，SepaReg 包含两个组件：结构感知图像分离（SIS）模块与 intra- 和 inter-器官蒸馏（IID）模块。SIS 在图像集上操作，在结构信息引导下重建区域集。跨区域的典型对比损失将从此集学习 inter-器官表征。另一方面，IID 通过利用 intra-器官表征，解决区域集中因微小器官可能产生较少区域而导致的数量不平衡问题。我们在公开数据集与两个私有数据集上进行了大量实验以评估所提模型。实验结果证明了所提模型的有效性，一致地取得了优于最先进方法的性能。代码见 https://github.com/jcwang123/Separate_CL。
引用
@article{arxiv.2112.02743,
title = {Separated Contrastive Learning for Organ-at-Risk and Gross-Tumor-Volume Segmentation with Limited Annotation},
author = {Jiacheng Wang and Xiaomeng Li and Yiming Han and Jing Qin and Liansheng Wang and Zhou Qichao},
journal= {arXiv preprint arXiv:2112.02743},
year = {2022}
}
备注
Accepted in AAAI-22 (Oral)