《Label-Free Liver Tumor Segmentation》论文笔记

1、文章目的CVPR2023

生成人工的肿瘤数据，减少人工标注的工作量。合成肿瘤图像：1、形状和质地很真，医生也难以分辨；2、训练网络更高效，与在真实肿瘤上训练相近。
可以生成大量的小肿瘤的图像，对于肿瘤前期的诊断十分有帮助！
影响合成肿瘤的因素包括：形状，灰度值，大小，位置和纹理。
文章中生成肿瘤的策略：
(i)不与血管碰撞的位置，(ii)带有按比例放大的高斯噪声的纹理，以及(iii)由扭曲的椭圆体产生的形状。
此外，合成策略随心所欲的生成具有所需位置、大小、形状、纹理和强度的肿瘤，而不局限于固定的有限大小的训练集。
该合成策略允许对肿瘤位置、大小、质地、形状和强度等参数进行直接操纵，为评估非分布式场景下的人工智能模型提供了一个全面的测试平台。

2、方法

分为四步：位置选择、纹理生成、形状生成、后处理

2.1、位置选择

首先得到血管掩码，这里采用的阈值分割，先高斯模糊清除噪声，在阈值分类：

阈值T的设置如下：

得到血管掩码后，随机采样肝脏上的位置，检测有没有与血管碰撞的风险，如果有的话再重新采样，直到没有风险。如何判断有没有碰撞风险呢？检查该位置点周围有没有血管就可以了（根据血管掩码）周围的距离也是一个超参数。

2.2、纹理生成

先用肝脏的均值（HU）作为均值，肝脏的方差生成高斯噪声，因为高斯噪声太乱了，所以用三次样条插值$T^{\prime }$，再用高斯模糊做一遍$T^{\prime \prime }$，就和真实图像很像了。

2.3、形状生成

因为小的肿瘤都是从中心开始长大，所以小的肿瘤趋近于球形，所以用椭球型对肿瘤近似。先随机取x,y,z的半轴，生成椭球体后，再随机的弹性形变，为了让肿瘤边缘与肝脏本体更加平滑，采用高斯模糊。

2.4、后处理

第一步：把肿瘤掩码和纹理放到图像里，具体操作是按照掩码把肿瘤位置扣除去，在用纹理图替代：

第二步：质量效应是扩大的肿瘤将周围组织推开。如果肿瘤长得足够大，它将压迫周围的血管，使其弯曲，甚至导致附近的肝脏边缘隆起。这里采用Local scaling warping的方法。它将像素周围圆中的像素重新映射为更接近圆周的位置。对于一个与圆心的距离为$\gamma$的像素，重新映射的像素距离为${\gamma }^{\prime }$：

第三步：通过提高肿瘤边缘的亮度来模拟胶囊的外观。边缘区域可以通过以下方式获得：

通过上述方法提升肿瘤边缘的亮度。

3、效果

总体的超参数如下：

总体的流程示意图如下：

值得记录的句子