基于图像提示的无监督脑肿瘤分割

基于深度学习（DL）的自动化脑肿瘤分割已取得可喜性能。然而，它通常依赖标注图像进行模型训练，这在临床环境中并非总可行。因此，亟需开发无需专家标注的、基于DL的无监督脑肿瘤分割方法。受提示学习（PL）在自然语言处理中成功的启发，我们提出一种通过设计可指示脑肿瘤的图像提示来实现无监督脑肿瘤分割的方法，该方法称为基于PL的脑肿瘤分割（PL-BTS）。具体而言，我们不直接用大量标注数据训练脑肿瘤分割模型，而是寻求训练一个能回答如下问题的模型：输入图像中的某个体素是否具有肿瘤样的强/弱信号强度？此类模型可通过对手工设计在无肿瘤图像上人工生成肿瘤样强/弱信号强度来训练。由于手工设计可能过于简单而无法表征各类真实肿瘤，训练模型可能过拟合于简单的手工任务而非真正回答异常性问题。为解决该问题，我们提出使用验证任务，即生成不同的手工任务以监测过拟合。此外，我们提出PL-BTS+，通过利用带脑肿瘤的无标注图像进一步改进PL-BTS。与竞争的无监督方法相比，所提方法在公开与内部数据集上均取得显著改进，并且我们展示了其向其他脑病灶分割任务扩展的可能性。