基于形状建模的医学图像分割无监督域适应方法
计算机视觉与模式识别
2022-07-07 v1
摘要
形状信息是医学图像中器官分割的一个强有力且有价值的先验。然而，当前大多数基于深度学习的分割算法未考虑形状信息，这可能导致对纹理的偏置。我们旨在显式地对形状建模并利用其辅助医学图像分割。已有方法提出基于变分自编码器（VAE）的模型来学习特定器官的形状分布，并通过将分割预测拟合到所学形状分布中来自动评估分割预测的质量。在此基础上，我们旨在将VAE整合进当前的分割流程中。具体而言，我们提出了一种基于伪损失和VAE重构损失、在教师-学生学习范式下的新型无监督域适应流程。两个损失同时被优化，并反过来提升分割任务的性能。在三个公开胰腺分割数据集以及两个内部胰腺分割数据集上的大量实验显示出一致的改进，Dice分数至少提升2.8点，证明了我们的方法在具有挑战性的医学图像分割无监督域适应场景中的有效性。我们希望这项工作能推动医学成像中的形状分析与几何学习。
引用
@article{arxiv.2207.02529,
title = {Unsupervised Domain Adaptation through Shape Modeling for Medical Image Segmentation},
author = {Yuan Yao and Fengze Liu and Zongwei Zhou and Yan Wang and Wei Shen and Alan Yuille and Yongyi Lu},
journal= {arXiv preprint arXiv:2207.02529},
year = {2022}
}
备注
Accepted to MIDL 2022 (15 pages, 6 figures)