Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis

要約

イメージングデバイスの制約と操作時間の高コストのために、コンピュータ断層撮影（CT）スキャンは通常低いスライス内解像度で取得されます。
スライス内の解像度を改善することは、人間の専門家とコンピューター支援システムの両方の病気の診断に有益です。
この目的のために、この論文は、スライス間の解像度を高めるための新しい医療用スライス合成を構築します。
グラウンドトゥルース中間医療スライスは臨床診療では常に存在しないことを考慮して、自己監視学習方式でこのタスクを実行するために、インクリメンタルクロスビュー相互蒸留戦略を導入します。
具体的には、この問題を3つの異なるビューからモデル化します。アキシャルビューからのスライスワイズ補間と、コロナルビューおよびサジタルビューからのピクセルワイズ補間です。
このような状況では、さまざまな視点から学習したモデルが貴重な知識を抽出して、互いの学習プロセスを導くことができます。
このプロセスを繰り返して、モデルにスライス間解像度を上げながら中間スライスデータを合成させることができます。
提案されたアプローチの有効性を実証するために、大規模なCTデータセットで包括的な実験を行います。
定量的および定性的な比較結果は、私たちの方法が最先端のアルゴリズムよりも明確なマージンで優れていることを示しています。

要約(オリジナル)

Due to the constraints of the imaging device and high cost in operation time, computer tomography (CT) scans are usually acquired with low intra-slice resolution. Improving the intra-slice resolution is beneficial to the disease diagnosis for both human experts and computer-aided systems. To this end, this paper builds a novel medical slice synthesis to increase the between-slice resolution. Considering that the ground-truth intermediate medical slices are always absent in clinical practice, we introduce the incremental cross-view mutual distillation strategy to accomplish this task in the self-supervised learning manner. Specifically, we model this problem from three different views: slice-wise interpolation from axial view and pixel-wise interpolation from coronal and sagittal views. Under this circumstance, the models learned from different views can distill valuable knowledge to guide the learning processes of each other. We can repeat this process to make the models synthesize intermediate slice data with increasing inter-slice resolution. To demonstrate the effectiveness of the proposed approach, we conduct comprehensive experiments on a large-scale CT dataset. Quantitative and qualitative comparison results show that our method outperforms state-of-the-art algorithms by clear margins.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google