要約
ドメイン シフトは、医療画像のセグメンテーションにおける長年の問題でした。
最近、教師なしドメイン適応 (UDA) メソッドは、ラベルの豊富なソース ドメインからラベルなしのターゲット ドメインに知識を抽出することにより、有望なクロス モダリティ セグメンテーション パフォーマンスを達成しました。
この作業では、2 つの主要な脳構造、すなわち前庭神経鞘腫 (VS) と高解像度 T2 画像上の蝸牛の自動セグメンテーションのためのマルチスケールの自己集合ベースの UDA フレームワークを提案します。
まず、ソース T1 からターゲット T2 への画像レベルのドメイン適応のために、セグメンテーションで強化された対照的な対応のない画像変換モジュールが設計されています。
次に、マルチスケールの深い監督と一貫性のある正則化が平均教師ネットワークに導入され、自己アンサンブル学習がドメイン ギャップをさらに埋めます。
さらに、ラベルの不足を軽減し、クロスモダリティ セグメンテーション パフォーマンスを向上させるために、セルフ トレーニングと強度増強技術が利用されます。
私たちの方法は、crossMoDA 2022 チャレンジの検証段階で、VS と蝸牛でそれぞれ 83.8% と 81.4% の平均 Dice スコアと 0.55 mm と 0.26 mm の平均非対称表面距離 (ASSD) で有望なセグメンテーション パフォーマンスを示しています。
要約(オリジナル)
Domain shift has been a long-standing issue for medical image segmentation. Recently, unsupervised domain adaptation (UDA) methods have achieved promising cross-modality segmentation performance by distilling knowledge from a label-rich source domain to a target domain without labels. In this work, we propose a multi-scale self-ensembling based UDA framework for automatic segmentation of two key brain structures i.e., Vestibular Schwannoma (VS) and Cochlea on high-resolution T2 images. First, a segmentation-enhanced contrastive unpaired image translation module is designed for image-level domain adaptation from source T1 to target T2. Next, multi-scale deep supervision and consistency regularization are introduced to a mean teacher network for self-ensemble learning to further close the domain gap. Furthermore, self-training and intensity augmentation techniques are utilized to mitigate label scarcity and boost cross-modality segmentation performance. Our method demonstrates promising segmentation performance with a mean Dice score of 83.8% and 81.4% and an average asymmetric surface distance (ASSD) of 0.55 mm and 0.26 mm for the VS and Cochlea, respectively in the validation phase of the crossMoDA 2022 challenge.
arxiv情報
著者 | Ziyuan Zhao,Kaixin Xu,Huai Zhe Yeo,Xulei Yang,Cuntai Guan |
発行日 | 2023-03-28 08:55:00+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google