论文阅读Dual-Level Selective Transfer Learning for Intrahepatic Cholangiocarcinoma Segmentation

Dual-Level Selective Transfer Learning for Intrahepatic Cholangiocarcinoma Segmentation in Non-enhanced Abdominal CT

论文来源：MICCAI

标题

双水平选择性迁移学习在非增强腹部CT肝内胆管癌分割中应用

摘要

在无增强的腹部CT图像中自动准确地分割肝内胆管癌(ICC)可以为临床决策提供重要的帮助。虽然深度神经网络为ICC分割提供了一种有效的工具，但收集大量的注释数据用于深度网络训练对于这类应用可能并不实用。为此，迁移学习方法利用来自类似任务的大量数据，迁移之前学习的知识，以获得更好的结果。在本文中，我们提出了一种新的双层选择性迁移学习(DSTL)模型用于ICC分割，该模型从源数据集中选择全局和局部级别的相似信息，并使用选定的分层信息进行迁移学习。除了基本的分割网络外，DSTL模型还包括一个全局信息选择网络(GISNet)和一个局部信息选择网络(LISNet)。利用GISNet输出权重（output weights）用于全局信息选择，以减少源任务和目标任务之间的差距。LISNet为本地信息选择输出权重。实验结果表明，该DSTL模型具有较好的ICC分割性能，优于基于原始图像选择的迁移学习和联合训练策略。据我们所知，这是第一个在非增强腹部CT中进行ICC分割的方法。

关键词：肿瘤分割，肝内胆管癌，选择迁移学习

介绍

肝内胆管癌(ICC)是第二大最常见的原发性肝恶性肿瘤，约15%的肝癌估计为ICC[9]。在非增强 腹部CT图像中自动准确的分割ICC可以为诊断提供重要的帮助，术前规划和预后，同时避免造影剂引起的高风险、耗时和昂贵的问题。对于CT中ICC的计算机辅助诊断(computer aided Diagnosis,CAD)，提出了基于纹理的[7]方法对良/恶性肿瘤进行分割和分类，但没有对肿瘤进行详细的分类。据我们所知，在无增强的腹部CT中，没有方法可以对ICC进行分割。

随着深度学习技术特别是卷积神经网络(Convolutional Neural Networks, CNNs)的快速发展，医学图像分割得到了很大的改进[5,8,10]。为了获得准确的分割结果，深度学习模型训练常用的是带有大量标注样本的数据集。然而，在实际应用中，如ICC分割，由于多种原因(如疾病的发病率和图像采集的困难)，注释数据收集可能会比较困难。在这种情况下，通常使用来自相关任务(即源任务)的公共数据集进行迁移学习，用于目标任务模