基于模型适配与集成的定制化多器官分割
计算机视觉与模式识别
2023-04-17 v1
摘要
多器官分割旨在医学图像中识别并分离不同器官,是医学图像分析中的一项基础任务。近年来,深度学习的巨大成功推动了其在多器官分割任务中的广泛采用。然而,由于高昂的人力成本与专业知识要求,多器官标注的可用性通常有限,因而给基于深度学习的方法获取充足训练数据带来了挑战。本文旨在通过组合现成的单器官分割模型,在目标数据集上开发多器官分割模型,从而摆脱多器官分割对标注数据的依赖。为此,我们提出了一种由模型适配(Model Adaptation)阶段与模型集成(Model Ensemble)阶段组成的双阶段新方法。第一阶段增强各现成分割模型在目标域上的泛化能力,第二阶段则从多个适配后的单器官分割模型中蒸馏并整合知识。在四个腹部数据集上的大量实验表明,我们所提方法能有效利用现成单器官分割模型,获得高精度的定制化多器官分割模型。
引用
@article{arxiv.2304.07123,
title = {Tailored Multi-Organ Segmentation with Model Adaptation and Ensemble},
author = {Jiahua Dong and Guohua Cheng and Yue Zhang and Chengtao Peng and Yu Song and Ruofeng Tong and Lanfen Lin and Yen-Wei Chen},
journal= {arXiv preprint arXiv:2304.07123},
year = {2023}
}