揭示不完整模态脑肿瘤分割：利用掩码预测自编码器和散度学习
图像与视频处理
2024-06-14 v1 计算机视觉与模式识别
机器学习
摘要
脑肿瘤分割仍然是一个重大挑战，特别是在多模态磁共振成像(MRI)的背景下，临床环境中缺失模态图像很常见，导致分割精度降低。为了解决这个问题，我们提出了一种称为掩码预测预训练的新策略，能够从不完整模态数据中进行鲁棒的特征学习。此外，在微调阶段，我们利用知识蒸馏技术来对齐完整和缺失模态数据之间的特征，同时增强模型鲁棒性。值得注意的是，我们利用Holder伪散度代替KLD作为蒸馏损失，提供了改进的数学可解释性和性质。在BRATS2018和BRATS2020数据集上的大量实验表明，与现有最先进方法相比，性能显著提升。
引用
@article{arxiv.2406.08634,
title = {Unveiling Incomplete Modality Brain Tumor Segmentation: Leveraging Masked Predicted Auto-Encoder and Divergence Learning},
author = {Zhongao Sun and Jiameng Li and Yuhan Wang and Jiarong Cheng and Qing Zhou and Chun Li},
journal= {arXiv preprint arXiv:2406.08634},
year = {2024}
}