由主动轮廓驱动的类别不平衡半监督医学图像分割中的形状变换
计算机视觉与模式识别
2024-10-21 v1 神经与进化计算
摘要
注释3D医学图像需要专业知识且耗时，因此半监督学习（semi-supervised learning，SSL）方法在3D医学图像分割中受到广泛关注。人体不同器官的大小差异导致类别分布不平衡，这是这些SSL方法在实际应用中面临的主要挑战。为解决此问题，我们开发一种新型方法——受主动轮廓（active contour）驱动的形状变换（Shape Transformation driven by Active Contour，STAC），通过放大较小器官来缓解不同器官之间的类别不平衡。灵感来源于主动轮廓方法中的曲线演化理论，STAC采用符号距离函数（signed distance function，SDF）作为水平集函数，隐式表示器官的形状，并沿SDF最陡下降的方向（即法向量方向）变形体素。为确保远离扩张器官的体素保持不变，我们设计了基于SDF的权重函数，以控制每个体素的变形程度。我们将STAC作为数据增强过程集成到训练阶段。在两个基准数据集上的实验结果表明，所提出的方法显著优于一些最先进的方法。源代码已公开于https://github.com/GuGuLL123/STAC。
引用
@article{arxiv.2410.14210,
title = {Shape Transformation Driven by Active Contour for Class-Imbalanced Semi-Supervised Medical Image Segmentation},
author = {Yuliang Gu and Yepeng Liu and Zhichao Sun and Jinchi Zhu and Yongchao Xu and Laurent Najman},
journal= {arXiv preprint arXiv:2410.14210},
year = {2024}
}