2021MICCAI:Anatomy-Constrained Cpntrastive Learning for Synthetic Segmentation Without Ground-Truth

最新推荐文章于 2023-02-10 11:27:14 发布

天边一颗梓晨

最新推荐文章于 2023-02-10 11:27:14 发布

阅读量611

点赞数 1

文章标签：计算机视觉深度学习人工智能

本文链接：https://blog.csdn.net/weixin_44210603/article/details/124556370

版权

研究提出AccSeg-Net网络，由生成器、判别器和分割器构成，用于跨模态分割任务。该网络在没有目标域Ground-Truth的情况下，利用源域图像训练分割器。通过5个损失函数，包括对抗损失、身份损失、分割损失、对比损失和解剖约束损失，实现生成器生成接近目标域的图像，同时保持解剖结构。实验在CT、CBCT、MRI和PET数据集上进行，显示了网络的有效性和优于现有方法的分割性能。未来可能的研究方向包括扩展到3D和尝试更先进的网络结构。

摘要由CSDN通过智能技术生成

研究的问题

为了训练一个健壮的分割网络，使其能够在新的成像模式中分割感兴趣的对象，通常需要大量的手动分割。如果可以利用一种成像模式（CT）的地标来训练另一种成像模式（CBCT/PET/MRI）中的分割网络，则可以减轻手动操作。在本文中，提出了一种跨模态分割的网络AccSeg-Net,用于训练目标成像模式的分割网络，而不使用其GroundTruth。

提出的网络模型

AccSeg网络模型是由一个生成器、一个判别器和一个分割器组成，通过5个损失函数以端到端的方式进行训练。生成器：带有9个残差模块的编解码器；判别器使用一个三层的CNN；对于分割器，使用的是一个五级的Unet结构。整个网络模型的目标就是使用源域图像训练出分割目标域图像的分割器。
生成器是用来根据源域图像，生成接近目标域的图像，使得判别器无法分出真假；而判别器用来识别生成的图像是域A还是域B，促进生成器生成的图像越来越接近域B。
分割器用来分割图像。
在这里插入图片描述
五个训练监督损失：
5个训练监督损失函数：
adversarial loss: 判别器损失，用来最小化生成图像与域B中的地标图像之间的差异。
identity lo