Label-Free Liver Tumor Segmentation

本文主要是介绍Label-Free Liver Tumor Segmentation，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

无标签肝肿瘤分割

作者单位：华中科技大学 & 香港中文大学-深圳 & 约翰霍普金斯大学 & 南京医科大学第一附属医院
发表于CVPR2023

摘要

通过在CT扫描中使用合成肿瘤，我们证明了人工智能模型可以准确地分割肝脏肿瘤，而无需人工注释。我们的合成肿瘤有两个有趣的优点:(1)形状和质地逼真，即使是医学专业人士也会将其与真实的肿瘤混淆;(II)有效地训练AI模型，该模型可以像训练真实肿瘤的模型一样进行肝脏肿瘤分割——这一结果令人兴奋，因为目前还没有任何只使用合成肿瘤的工作达到与真实肿瘤相似甚至接近的性能。
这一结果还意味着，在未来，对肿瘤体素进行逐体素注释的人工工作量(需要花费数年时间来创建)可以显著减少。此外，我们的合成肿瘤可以自动生成许多小的(甚至微小的)合成肿瘤的例子，并且有可能提高检测小肝脏肿瘤的成功率，这对于检测癌症的早期阶段至关重要。除了丰富训练数据外，我们的综合策略还使我们能够严格评估人工智能的鲁棒性。

我们的主要贡献是一种合成肿瘤发生器，它有以下五个优点。

综合策略将医学知识嵌入到一个可执行的程序中，通过放射科医生和计算机科学家的合作，能够生成真实的肿瘤(§5.1;表2;图3)。
整个训练阶段不需要注释成本，结果模型显著优于以前的无监督异常分割方法和肿瘤合成策略(§5.2;表3)。
人工合成肿瘤上训练的人工智能模型可以在真实肿瘤分割中获得与真实肿瘤上训练的人工智能模型相似的性能，并且可以推广到健康肝脏的CT扫描和其他医院的扫描(§5.3;图4)。
该合成策略可以生成各种肿瘤用于模型训练，包括小、中、大尺度的肿瘤，因此具有检测小肿瘤和促进肝癌早期检测的潜力(§5.4;图5)。
合成策略允许直接操作参数，如肿瘤位置、大小、纹理、形状和强度，为在非分布场景下评估AI模型提供全面的测试平台(§5.5;图6)。