基于数据扩增的领域泛化和来自多个源领域的联合训练用于全心脏分割.pdfVIP

基于数据扩增的领域泛化

和来自多个源领域的联合训练

用于全心脏分割

FranzThaler,Darkotern,

GernotPlank,andMartinUrschler

GottfriedSchatzResearchCenter:MedicalPhysicsandBiophysics,

MedicalUniversityofGraz,Graz,Austria

InstituteofComputerGraphicsandVision,GrazUniversityofTechnology,

本Graz,Austria

译AVLListGmbH,Graz,Austria

中InstituteforMedicalInformatics,StatisticsandDocumentation,

MedicalUniversityofGraz,Graz,Austria

1

v

2

5

5

4

0摘要作为全球导致死亡的首要原因，心血管疾病推动了从医学图像如计

8.算机断层扫描（CT）和磁共振成像（MR）中分析心脏及其子结构的更复

0杂方法的发展。代表整个心脏的重要心脏结构的语义分割对于评估患者特

5定的心脏形态和病理状态非常有用。此外，准确的语义分割可用于生成心

2

:脏数字孪生模型，允许例如电生理模拟和个性化治疗规划。尽管基于深度

v

i学习的医学图像分割方法在过去十年中取得了巨大的进步，但在领域偏移

x

r的情况下保持良好性能——即当训练数据和测试数据来自不同的数据分布

a时——仍然具有挑战性。为了在训练期间已知的领域表现良好，我们采用

了一种（1）平衡联合训练方法，该方法利用了来自不同源领域的等量CT

和MR数据。此外，为了减轻向仅在测试时遇到的领域偏移的问题，我们

依赖于（2）强大的强度和空间增强技术来大大多样化可用的训练数据。我

们的整个心脏分割方法，一个包含我们贡献的5折集成，在与仅使用CT

数据训练的模型进行比较时，对于MR数据整体上表现出最佳性能，并且

在CT数据上的表现类似于最佳性能。通过CT数据的%DSC和

mmASSD以及MR数据的%DSC和mmASSD，我

们的方法展示了高效获得准确语义分割的巨大潜力，从中可以生成患者特

定的心脏孪生模型。

Keywords:图像分割·域泛化·心脏。

2F.Thaleretal.

1介绍

心血管疾病是全球死亡的主要原因[22]，这促使临床实践中对心脏及其

亚结构进行更深入的分析。从医学