17、基于互信息的超声图像分割与跨模态肿瘤分割方法

基于互信息的超声图像分割与跨模态肿瘤分割方法

在医学图像分割领域，深度神经网络虽然展现出了巨大的潜力，但在不同成像模态和领域间的泛化能力仍有待提高。本文将介绍两种创新的方法：MI - SegNet和M - GenSeg，它们分别针对超声图像分割和跨模态肿瘤分割问题提出了有效的解决方案。

MI - SegNet：基于互信息的超声图像分割

网络结构与原理

MI - SegNet在处理超声图像分割时，将转换后的四张图像中的两张（xa1d1, xa2d2）输入网络，另外两张（xa1d2, xa2d1）作为重建的真实标签。其核心原理是利用互信息（MI）来解耦解剖特征和领域特征。

互信息的定义为随机变量fa和fd的联合分布与边缘分布乘积之间的Kullback - Leibler（KL）散度：
[MI(fa; fd) = KL(p(fa, fd)\parallel p(fa) \otimes p(fd))]
基于Donsker - Varadhan表示，MI的下界可以表示为：
[MI(fa; fd) \geq E_{p(fa,fd)}[T (fa, fd)] - \log(E_{p(fa)\otimes p(fd)}[e^{T (fa,fd)}])]
通过用神经网络TθMINE替换T并应用蒙特卡罗方法，可计算出MI的下界：
[\widetilde{MI}(fa; fd) = \frac{1}{N} \sum_{i = 1}^{N} T_{\theta_{MINE}}(fa, fd) - \log \frac{1}{N} \sum_{i = 1}^{N} e^{T_{\theta_{MINE}} (f’ a,f’