SynSeg-Net：无需目标模态真值标签的合成分割
计算机视觉与模式识别
2019-10-01 v2
摘要
基于深度卷积神经网络（DCNN）的图像分割方法的一个关键局限是缺乏泛化能力。当在一种新的成像模态或来自不同疾病队列中分割器官时，通常需要人工勾画的训练图像。若一种成像模态（如 MRI）中人工勾画的图像能够训练用于另一种成像模态（如 CT）的分割网络，则可减轻人工负担。本文中，我们提出一种端到端合成分割网络（SynSeg-Net），以在无需人工标签的情况下为目标成像模态训练分割网络。SynSeg-Net 通过使用（1）来自源模态和目标模态的非配对强度图像，以及（2）仅来自源模态的人工标签进行训练。SynSeg-Net 由近期的循环生成对抗网络（CycleGAN）和 DCNN 进展所赋能。我们在两个实验上评估 SynSeg-Net 的性能：（1）腹部图像的 MRI 到 CT 脾肿大合成分割，（2）脑图像的 CT 到 MRI 全颅内体积合成分割（TICV）。所提出的端到端方法取得了优于两阶段方法的性能。此外，在某些场景下 SynSeg-Net 取得了与使用目标模态标签的传统分割网络相当的性能。SynSeg-Net 的源代码公开可用（https://github.com/MASILab/SynSeg-Net）。
引用
@article{arxiv.1810.06498,
title = {SynSeg-Net: Synthetic Segmentation Without Target Modality Ground Truth},
author = {Yuankai Huo and Zhoubing Xu and Hyeonsoo Moon and Shunxing Bao and Albert Assad and Tamara K. Moyo and Michael R. Savona and Richard G. Abramson and Bennett A. Landman},
journal= {arXiv preprint arXiv:1810.06498},
year = {2019}
}
备注
IEEE Transactions on Medical Imaging (TMI)