基于对象估计引导的对应流网络的 Sli2Vol+：用于分割 3D 医学图像
计算机视觉与模式识别
2024-11-22 v1
摘要
深度学习(DL)方法在医学图像分割中展现出显著的成功，往往需要大量标注数据进行模型训练。然而，获取大量多样化的 3D 医学图像数据集的标注工作在成本和难度上都具有挑战性。最近发展出的 mask propagation DL 方法旨在减轻 3D 医学图像的标注负担。例如，Sli2Vol~\cite{yeung2021sli2vol} 提出了一种自监督框架(SSF)，通过匹配相邻切片的方式进行切片重建来学习对应的训练过程；随后利用所学到的对应的在测试阶段将标注的切片传递到其他切片。然而，这些方法仍容易因重建误差的切片间传递而产生误差累积。此外，它们处理离散性较差，由于 3D 图像中可能存在连续切片之间的离散性，而强调利用对象连续性。为此，本文提出了新的 SSF，称为 \proposed，用于仅通过每个训练和测试体积中单个标注切片即可分割 3D 医学图像中的任何解剖结构。具体而言，在训练阶段，我们首先传播训练体积的标注 2D 切片到其他切片，生成伪标签(PL)。随后，我们开发了一种新型的对象估计引导的对应流网络，以自监督方式学习连续切片及其对应 PL 之间的可靠对应。测试阶段，这些对应的用于将单个标注切片传递到测试体积的其他切片。我们在 various 医学图像分割任务上展示了该方法的有效性，显示其在不同器官、模态以及模态之间具有更好的通用性。代码已公开于 \url{https://github.com/adlsn/Sli2Volplus}。
引用
@article{arxiv.2411.13873,
title = {Sli2Vol+: Segmenting 3D Medical Images Based on an Object Estimation Guided Correspondence Flow Network},
author = {Delin An and Pengfei Gu and Milan Sonka and Chaoli Wang and Danny Z. Chen},
journal= {arXiv preprint arXiv:2411.13873},
year = {2024}
}