论文获取地址:https://arxiv.org/pdf/2103.16617.pdf
代码开放地址:https://github.com/SaverioVad/HAD_Net
论文摘要:
在许多临床情况下从MRI中分割ETT或者损伤区域对于检测新的疾病活动是重要的。然而,准确的分割需要包括向患者注射造影剂(如钆)后获得的医学图像(如T1增强后MRI),这个过程不再认为是安全的。尽管在过去的几年中已经发展了许多模式不可知的分割网络,但在加强病理分割的背景下,它们的成功有限。在这项工作中,我们提出了HAD-Net,一种新颖的离线对抗知识提炼(KD)技术,即一个预先训练好的教师分割网络,可以访问所有的MRI序列,通过分层对抗性训练,教导学生网络,以更好地克服推理过程中缺乏关键图像时出现的巨大领域转移。特别地,我们将HAD-Net应用到增强肿瘤分割这一具有挑战性的任务中,当无法获得对比度后成像时。在BraTS 2019脑肿瘤分割挑战数据集上对提出的网络进行了训练和测试,在该数据集上,它实现了16% - 26%的性能改进,(a)最近的模态不可知分割方法(U-HeMIS, U-HVED),(b)适于这个问题的KD-Net,(c)预先训练的学生网络(d)