结构和强度为2D医疗图像分割的无偏翻译

科学领域:

• 医疗图像分析 医学图像分析
• 用于医学成像的深度学习
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 由于数据分布差距,深度细分模型面临着挑战.
• 为新的数据分布重新训练模型是昂贵和耗时的.
• 临床设备嵌入式算法往往无法训练,这加剧了数据缺口问题.

研究的目的:

• 为了解决数据分布的结构差异,为深度细分提供差距.
• 提出一种新的图像对图像翻译方法,减少结构差异.
• 提高对各种数据集的深度细分模型的性能.

主要方法:

• 开发了一个结构无偏的对抗 (SUA) 网络,用于图像对图像的翻译.
• SUA网络包含一个空间转换块,以减少结构上的差距.
• 一个强度分布染模块将变形结构调整为目标强度分布.

主要成果:

• SUA 方法成功地将强度和结构内容在多个数据集之间传输.
• 实验结果表明,与现有方法相比,在填补数据缺口方面表现优越.
• 拟议的方法通过减轻结构和强度差异来提高细分精度.

结论:

• SUA网络提供了一种有效的解决方案,用于弥合深度细分的数据分布差距.
• 这种方法在临床应用中尤为有价值,因为在临床应用中,模型再培训是不可行的.
• 通过解决结构差异,而不仅仅是强度变化,SUA促进了生成翻译.