医学图像分割的域偏移问题及基于 Unet-GAN 的厂商自适应
图像与视频处理
2019-10-31 v1 计算机视觉与模式识别
摘要
卷积神经网络 (CNN)，特别是 Unet，是医学图像分割的一种强有力方法。迄今为止，Unet 已在许多复杂医学图像分割任务中展现出最先进的性能，尤其是在训练与测试数据共享同一分布（即来自同一源域）的条件下。然而在临床实践中，医学图像采集自不同厂商与中心。从特定源域训练得到的 U-Net 在迁移至不同目标域（例如不同厂商、采集参数）时，性能可能意外下降。从每个新域收集大量标注以重新训练 U-Net 代价高昂、繁琐且实际不可行。本工作中，我们提出了一个通用框架来解决此问题，包括 (1) 用于厂商自适应的非配对生成对抗网络 (GAN)，以及 (2) 用于目标分割的 Unet。在所提出的 Unet-GAN 架构中，GAN 在分割特定的特征层面上向 Unet 学习。我们以心脏电影 MRI 为例，以三大主要厂商（Philips、Siemens 和 GE）作为三个域，而该方法可推广至一般医学图像分割。所提方法显著改善了跨厂商的分割结果。所提出的 Unet-GAN 为跨厂商医学图像分割问题提供了一种无标注解决方案，有望将训练好的深度学习模型扩展至真实临床场景中的多中心与多厂商使用。
引用
@article{arxiv.1910.13681,
title = {The Domain Shift Problem of Medical Image Segmentation and Vendor-Adaptation by Unet-GAN},
author = {Wenjun Yan and Yuanyuan Wang and Shengjia Gu and Lu Huang and Fuhua Yan and Liming Xia and Qian Tao},
journal= {arXiv preprint arXiv:1910.13681},
year = {2019}
}