基于广泛数据增强的新型白质束ONE-SHOT分割

One-Shot Segmentation of Novel White Matter Tracts via Extensive Data Augmentation

摘要

1. 探索了新WM束的One-Shot分割问题
2. 由于在One-Shot场景下，标注训练数据极其稀缺，基于现有的知识转移框架，我们建议进一步对单个标注进行大量的数据增强，生成合成的标注训练数据。
3. 设计了几种不同的策略，在单个带注释的扫描中屏蔽区域，以实现数据增强。
4. 为了避免从不同数据增强策略产生的合成训练数据中学习潜在冲突的信息，我们选择分别执行每种策略进行网络训练，并获得多个分割模型。然后，将这些模型给出的分割结果进行集成
   代码链接

方法

假设我们有一个基于CNN的模型Me，它分割了M个现有的WM域，为此积累了大量的注释进行训练。我们感兴趣的是训练一个基于CNN的模型Mn来分割N个新的WM区域，由于注释成本的原因，只对这些区域进行一次扫描的注释。

现有的工作试图通过基于预训练和微调框架的迁移学习策略来解决这个问题，其中Me和Mn共享相同的网络结构进行特征提取，并且它们的最后一个特定于任务的层是不同的。在经典的微调中，使用学习到的Me特征提取层的网络权值初始化Mn的特征提取层，随机初始化Mn的任务特定层。

One-Shot分割的广泛数据增强

1. Random Cutout
2. Tract Cutout
   利用增强数据进行网络训练。通过在每个数据增强策略中重复区域掩蔽，可以生成一组合成注释图像。由于合成图像可能会显得不真实，因此它们仅用于中改进的微调框架的warmup阶段，其中学习了Mn的最后一层。在最后的微调步骤中，更新Mn中的所有网络权值，只使用真实的带注释的训练图像。此外，为了避免网络从不同策略产生的合成数据中学习潜在冲突的信息，我们选择分别执行每种数据增强策略，并获得四个不同的网络来分割新的WM域。
   在测试时，将四个网络的预测结果以多数投票法进行整合，得到最终的分割结果。
   使用最先进的TractSeg架构进行体积WM束分割作为我们的骨干分割网络

实验结果