利用 CycleGAN 进行形状感知的病理性肺部 CT 图像合成以增强半监督肺部分割
图像与视频处理
2024-07-10 v2 计算机视觉与模式识别
机器学习
摘要
本文探讨了病理性肺部分割问题，这是医学图像分析中的一项重大挑战，在存在外周不透明区域（严重纤维化和实变）的情况下尤为突出，原因是肺组织与周围区域在纹理上存在相似性。为了克服这些挑战，本文强调使用 CycleGAN 进行非配对图像到图像的转换，以提供一种能够生成与现有真实标签相匹配的虚假病理性图像的数据增强方法。尽管以往的研究曾使用 CycleGAN，但它们往往忽略了形状形变这一对精确医学图像分割至关重要的挑战。我们的工作引入了一种结合额外损失函数的创新策略。具体而言，提出了一种基于肺部周围区域的 L1 损失，约束其在从健康域到病理域的转换中保持形状不变。该肺部周围区域是基于健康域中可用的真实肺部掩码导出的。此外，应用了基于肋骨/椎骨位置的裁剪等预处理步骤来优化 CycleGAN 的输入，确保网络聚焦于肺部区域。这对于避免诸如缩放效应偏差等无关偏差至关重要，因为此类偏差会分散对主要任务的注意力。该方法通过使用 U-Net 模型进行在线数据增强（结合由 CycleGAN 模型生成的合成病理组织），以半监督方式增强肺部分割过程。本研究的初步结果展示了显著的定性和定量改进，为病理性肺部分割领域设定了新的基准。我们的代码可在 https://github.com/noureddinekhiati/Semi-supervised-lung-segmentation 获取
引用
@article{arxiv.2405.08556,
title = {Shape-aware synthesis of pathological lung CT scans using CycleGAN for enhanced semi-supervised lung segmentation},
author = {Rezkellah Noureddine Khiati and Pierre-Yves Brillet and Aurélien Justet and Radu Ispas and Catalin Fetita},
journal= {arXiv preprint arXiv:2405.08556},
year = {2024}
}
备注
14 pages, 7 figures