16、医学图像分割：从创伤性脑分割到超声图像跨域泛化

医学图像分割：从创伤性脑分割到超声图像跨域泛化

一、一次性创伤性脑分割方法

1.1 不确定性估计与损失函数

在一次性创伤性脑分割中，预测的不确定性通过 $\hat{y} g$ 表示。与蒙特卡罗丢弃法相比，使用 KL 散度进行不确定性估计不需要多次前向传播。当体素的不确定性较大时，意味着在 $x_g$ 对应位置出现标签错误的可能性更高，因此需要削弱该位置的监督信号，以减少标签错误的影响。具体的校正分割损失公式为：
$L {rseg} = exp[−D_{KL}(\hat{y} g, \hat{y} {As})]L_{ce}(\hat{y} g, y_g) + D {KL}(\hat{y} g, \hat{y} {As})$
整体监督损失 $L_{sup} = L_{seg} + L_{rseg}$，其中 $L_{seg}$ 是 $x_{As}$ 的分割损失，$L_{rseg}$ 是 $x_g$ 的校正分割损失。在实践中，将整体监督损失 $L_{sup}$ 应用于 $x_g$ 和 $x_{ag}$。在分割训练过程中，最小化监督分割损失 $L_{sup}$ 和对抗损失 $L_{adv}$ 的线性和。

1.2 实验数据

收集了 2014 - 2017 年来自华山医院的 165 份严重创伤性脑损伤（sTBI）的 MR T1 加权扫描图像，这些图像是在 3T 西门子 MR 扫描仪上获取的。其中 42 份扫描图像标注了 17 个与意识相关的脑区域，其余未标注，因为手动标注需要高级专业知识。所有患者均签署了知情同意书，同意使用他们的信息、病历和 MRI 数据。所