基于学习转换的一次性医学图像分割中的数据扩增( 五 ) 摘要图像分割是许多医学应用

本文从一组离散的空间和外观变换中采样变换。这可以扩展到更丰富地跨越转换空间，例如通过转换之间的插值或使用转换组合。
本文在脑 MRI 上展示了本文的方法。由于该方法不使用脑或 MRI 特异性信息，因此将其扩展到其他解剖或成像方式，如 CT 。
6.结论本文提出了一种基于学习的数据扩增方法，并在一次医学图像分割中进行了演示。
本文从一个标记图像和一组未标记的样本开始。使用基于学习的配准方法，本文对标记和未标记样本之间的空间和外观转换集进行建模。这些变换捕捉诸如非线性变形和成像强度变化等效应。本文通过采样变换和应用它们来合成新的标记样本对于标记的例子，产生各种各样的真实的新图像。
本文使用这些综合性的例子来训练一个有监督的分割模型。分割器在本文的测试集中的每个样本上执行现有的一次分割方法，接近完全监督模型的性能。该框架允许在多应用程序中进行分割，例如在临床设置中，时间限制允许手动注释少量次数的扫描。
综上，本工作说明了：
从未标记的图像中学习空间和外观转换的独立模型可以合成不同和真实的标记样本。
这些综合的例子可以用来训练一个分割模型，它在一次场景中优于现有的方法。
致谢【基于学习转换的一次性医学图像分割中的数据扩增】本论文由 iSE 实验室 2020 级硕士生侯忠昊转述。