基于数据增强与模型集成的无监督跨模态域自适应前庭神经鞘瘤与耳蜗分割
图像与视频处理
2022-08-25 v4 计算机视觉与模式识别
摘要
磁共振图像(MRIs)被广泛用于定量评估前庭神经鞘瘤和耳蜗。近年来,深度学习方法在这些结构的分割任务上展现出最先进的性能。然而,训练分割模型可能需要目标域中的人工标注,这既昂贵又耗时。为克服该问题,域自适应是一种有效途径,可在无需目标域人工标注的情况下利用源域信息获得准确分割。本文提出一种无监督学习框架来分割前庭神经鞘瘤(VS)和耳蜗。我们的框架利用对比增强T1加权(ceT1-w)MRIs及其标签,并在目标域无任何标签的情况下为T2加权MRIs生成分割结果。我们首先使用生成器实现图像到图像的转换。接着,我们对不同模型集成的输出进行集成以获得最终分割。为应对来自不同站点/扫描仪的MRIs,我们在训练期间应用多种“在线”增强,以更好地捕捉几何变异性以及图像外观与质量的变异性。我们的方法易于构建并产生有前景的分割结果,在验证集中对VS和耳蜗的平均Dice分数分别为0.7930和0.7432。
引用
@article{arxiv.2109.12169,
title = {Unsupervised Cross-Modality Domain Adaptation for Segmenting Vestibular Schwannoma and Cochlea with Data Augmentation and Model Ensemble},
author = {Hao Li and Dewei Hu and Qibang Zhu and Kathleen E. Larson and Huahong Zhang and Ipek Oguz},
journal= {arXiv preprint arXiv:2109.12169},
year = {2022}
}