StyleSeg V2：通过免优化的配准误差感知实现鲁棒的脑组织一次性分割

脑组织的一次性分割需要迭代训练配准-分割（reg-seg）双模型，其中配准模型旨在通过将精心标注的图谱进行变形，为分割模型提供未标注图像的伪掩膜。然而，不完美的配准模型会导致图像-掩膜错位，进而污染分割模型。最近的StyleSeg通过用图谱的变形副本替换未标注图像绕过了这一瓶颈，但需要借助风格变换来借用多样的图像模式。在此，我们提出StyleSeg V2，它继承自StyleSeg，但被赋予了感知配准误差的能力。其动机在于，良好的配准对于镜像图像会表现出镜像行为。因此，几乎不增加成本，StyleSeg V2可以通过简单地对输入进行镜像（对称翻转大脑）让配准模型自身“说出”错误对齐的区域，而配准误差就是原始输入和镜像输入输出之间的对称不一致性。因此，StyleSeg V2允许分割模型利用未标注图像中正确对齐的区域，并通过根据配准误差加权局部变换强度来增强风格变换后的变形图谱图像的保真度。在三个公开数据集上的实验结果表明，我们提出的StyleSeg V2以相当大的优势优于其他最先进方法，并且平均Dice系数至少提高2.4%，超过了StyleSeg。