瞬间一致的对比周期GAN用于跨域胰腺图像细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 在CT和MR图像中精确的胰腺细分对于胰腺癌的诊断和治疗至关重要.
• 传统的监督方法需要大量的标记数据,这耗时且费力.
• 域移动阻碍了跨不同成像模式的分段网络的部署.

研究的目的:

• 开发一个跨领域的胰腺细分算法,克服传统方法的局限性.
• 为了提高胰腺细分在不同成像方式的准确性和稳定性.
• 减少在医疗图像细分中需要大量标记训练数据的需求.

主要方法:

• 为风格转移和特征提取提出了一个时刻一致的对比周期生成对抗网络 (MC-CCycleGAN).
• 引入了多级中心时刻和对比性损失,以在风格转移期间保持胰腺结构和形状的一致性.
• 实施了多教师知识蒸框架,以提高学生网络的性能和稳定性.

主要成果:

• 在风格转移过程中,MC-CCycleGAN有效地提取结构特征,同时消除冗余的风格特征.
• 时刻一致性约束成功地保存了风格转移前后的胰腺解剖学.
• 拟议的框架在实验评估中表现出与最先进的领域适应方法相比的优越性能.

结论:

• 开发的跨领域细分算法显著推进了医疗成像中的胰腺细分.
• 在医疗图像细分任务中,MC-CCycleGAN为域调整提供了有效的解决方案.
• 该研究强调了知识蒸和时刻一致性的潜力,以实现强大而准确的细分.