用于无监督多域MRI腹部器官分割的统一跨模态特征解耦器
图像与视频处理
2020-07-21 v1 计算机视觉与模式识别
摘要
我们的贡献是一种用于多域图像翻译与多器官分割的统一跨模态特征解耦方法。以CT作为有标签的源域，我们的方法学习分割无标签数据的多模态（T1加权和T2加权）MRI。我们的方法使用变分自编码器（VAE）将图像内容与风格解耦。VAE约束风格特征编码匹配一个通用的先验（高斯分布），该先验被假设涵盖所有源模态与目标模态的风格。提取的图像风格被转换为潜在风格缩放码，其根据来自图像内容特征的目标域码调制生成器以产生多模态图像。最后，我们引入一个联合分布匹配判别器，将翻译后的图像与任务相关的分割概率图结合，以进一步约束和正则化图像到图像（I2I）翻译。我们与多种最先进的I2I翻译与分割方法进行了广泛比较。我们的方法得到了最低的平均多域图像重建误差1.340.04。我们的方法在T1w MRI上产生平均Dice相似系数（DSC）0.85，在T2w MRI上为0.90，与全监督MRI多器官分割网络（T1w DSC为0.86，T2w DSC为0.90）高度相当。
引用
@article{arxiv.2007.09669,
title = {Unified cross-modality feature disentangler for unsupervised multi-domain MRI abdomen organs segmentation},
author = {Jue Jiang and Harini Veeraraghavan},
journal= {arXiv preprint arXiv:2007.09669},
year = {2020}
}
备注
This paper has been accepted by MICCAI2020