Medical Image Analysis | 無監(jiān)督域自適應(yīng)醫(yī)學(xué)圖像分割新方法
醫(yī)學(xué)圖像分割是精準(zhǔn)醫(yī)療的關(guān)鍵處理步驟,但不同醫(yī)療設(shè)備和成像條件下的圖像分布差異給圖像分割帶來了巨大挑戰(zhàn),雖然有監(jiān)督的域自適應(yīng)方法可以緩解模型在目標(biāo)域上的性能損失,但是在醫(yī)學(xué)圖像領(lǐng)域獲取高質(zhì)量且準(zhǔn)確的標(biāo)注信息通常是昂貴、耗時(shí)和繁瑣的過程。
為了克服有監(jiān)督域自適應(yīng)方法所面臨的標(biāo)注信息缺乏或獲取標(biāo)簽困難的問題,無監(jiān)督域自適應(yīng)方法因不依賴于目標(biāo)域的標(biāo)注信息而被廣泛關(guān)注,但是主流基于生成對(duì)抗網(wǎng)絡(luò)(GAN)的無監(jiān)督域自適應(yīng)(UDA)方法存在穩(wěn)定性差和變換后圖像分布偏差的問題。
近日,中國科學(xué)院深圳先進(jìn)技術(shù)研究院科學(xué)儀器所(集群)(籌)秦文健研究員課題組在醫(yī)學(xué)影像期刊Medical Image Analysis上發(fā)表了題為“Dual domain distribution?disruption with semantics preservation: Unsupervised domain adaptation for medical image segmentation”的文章。

文章上線截圖
為了解決這些問題,本研究提出了一種全新的雙域分布多變-語義約束的三維方法(DDSP),通過結(jié)合雙域分布干擾與語義保持策略,顯著提升了模型在不同成像條件下的泛化能力,且無需目標(biāo)域的標(biāo)注數(shù)據(jù)。除此之外,本研究還引入了基于域不變結(jié)構(gòu)先驗(yàn)信息的特征對(duì)齊模塊,促進(jìn)雙域共享參數(shù)的分割器在目標(biāo)域特征上的性能。

DDSP的兩大優(yōu)勢
為了驗(yàn)證DDSP框架的有效性,研究團(tuán)隊(duì)在三個(gè)公開的醫(yī)學(xué)圖像數(shù)據(jù)集上進(jìn)行了廣泛的實(shí)驗(yàn),包括心臟、大腦和前列腺圖像分割任務(wù)。這些數(shù)據(jù)集涵蓋了不同成像模式和采集站點(diǎn),提供了豐富的跨領(lǐng)域圖像樣本。

DDSP與其他方法在MMWHS17數(shù)據(jù)集上的性能比較
實(shí)驗(yàn)結(jié)果表明,DDSP在多個(gè)評(píng)價(jià)指標(biāo)上均超越了現(xiàn)有的最先進(jìn)方法,并且與全監(jiān)督模型相比也展現(xiàn)出了較小的性能差距。尤其是在MMWHS17數(shù)據(jù)集上,DDSP在雙向跨模態(tài)心臟子結(jié)構(gòu)分割任務(wù)上平均Dice分別達(dá)到了0.890和0.819。同時(shí),為了驗(yàn)證所提出特征對(duì)齊模塊的有效性,研究人員還展示了加入模塊前后,模型所提取的源域特征和目標(biāo)域特征在內(nèi)容凸顯上的對(duì)齊程度。

加入特征對(duì)齊模塊前后,目標(biāo)域特征凸顯內(nèi)容的變化
該工作在減少人工標(biāo)注成本的同時(shí),有效提高了跨醫(yī)院和設(shè)備間的圖像分析的一致性,該技術(shù)方法有望為跨模態(tài)、跨區(qū)域醫(yī)學(xué)圖像高效標(biāo)注提供全新的解決方案思路。
深圳先進(jìn)院碩士研究生鄭博勻?yàn)榈谝蛔髡?,秦文健研究員為主要通訊作者。秦文健團(tuán)隊(duì)多年來一直致力于醫(yī)學(xué)圖像智能分析及基于人工智能新診療方法的研究和轉(zhuǎn)化工作。該文章也得到了國家自然科學(xué)基金項(xiàng)目、中國科學(xué)院青促會(huì)會(huì)員和江西省介入治療臨床醫(yī)學(xué)研究中心項(xiàng)目的支持。
附件下載: