结构保护循环增益无监督医疗图像域适应的结构

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 域名转移显著降低了医疗图像细分模型在未见数据上的性能.
• 无监督域适应 (DA) 对于利用各种医学成像数据集至关重要.

研究的目的:

• 引入结构维护循环-GAN (SP循环-GAN) 用于医疗图像细分中的无监督域调整.
• 在Cycle-GANs.图像翻译过程中增强医疗结构的保存.

主要方法:

• 通过将细分损失术语纳入循环GAN培训过程,开发了SP循环GAN.
• 对二进制血管细分 (STARE,DRIVE) 和多类心脏细分 (MM-WHS) 的评估SP循环-GAN.
• 通过使用子得分,视觉和定量评估结构的保存.

主要成果:

• 与基线和标准循环-GAN方法相比,SP循环-GAN显示出更高的性能.
• 在MM-WHS中实现了MR对CT适应的0.7435的最先进的心肌细分 (DSC) 得分.
• 在无监督域适应过程中成功保存了解剖结构.

结论:

• SP Cycle-GAN有效地解决了医疗图像细分领域转移的挑战.
• 拟议的方法提高了细分的准确性,并保留了关键的解剖细节.
• SP Cycle-GAN在医疗成像无监督域适应方面取得了重大进展.