用于无监督医学图像域适应的结构保持Cycle-GAN
图像与视频处理
2023-04-19 v1 计算机视觉与模式识别
机器学习
摘要
医学影像中域偏移的存在是常见问题，会极大影响分割模型在处理未见图像域时的性能。基于对抗的深度学习方法，如Cycle-GAN，已成为医学图像无监督域适应的常用模型。然而，这些模型在转换医学扫描时无法强制保持感兴趣结构，可能导致在分割背景下的无监督域适应结果较差。本文提出结构保持Cycle-GAN (SP Cycle-GAN)，通过在整体Cycle-GAN训练过程中施加分割损失项来促进图像转换时的医学结构保持。我们通过视觉展示以及无监督域适应模型Dice分数分割性能对比，证明了SP Cycle-GAN的结构保持能力。在STARE和DRIVE数据集的二值血管分割，以及多模态MM-WHS数据集的多类左心室和心肌分割中，SP Cycle-GAN优于基线方法和标准Cycle-GAN域适应。SP Cycle-GAN在MR到CT的MM-WHS域适应问题中取得了0.7435的当前最优心肌分割Dice分数(DSC)，并在MM-WHS数据集几乎所有类别中表现出色。SP Cycle-GAN在DRIVE到STARE域适应问题中也展现出强血管结构保持能力，相较默认Cycle-GAN实现取得4%的DSC提升。
引用
@article{arxiv.2304.09164,
title = {Structure Preserving Cycle-GAN for Unsupervised Medical Image Domain Adaptation},
author = {Paolo Iacono and Naimul Khan},
journal= {arXiv preprint arXiv:2304.09164},
year = {2023}
}
备注
11 pages, 4 figures, submitted to Machine Learning for Healthcare 2023