21、基于对抗图像到图像网络的医学图像分割

基于对抗图像到图像网络的医学图像分割

1. 引言

心血管疾病每年影响着全球数千万人，准确的左心房（LA）分割为心脏介入手术提供了重要的视觉指导，特别是在心房颤动（AF）的导管消融手术中，左心房肺静脉的位置至关重要。自动左心房分割是3D CT规划和3D MRI治疗过程中的关键组成部分。然而，MRI中左心房的自动分割复杂且具有挑战性，因为MRI图像存在各种成像伪影和噪声。

2. VeeDA方法概述

提出了一种体积端到端域适应（VeeDA）方法，该方法使用CycleGAN块从源域合成目标域图像，并添加特征对抗损失以确保目标域中的特征级一致性。与其他方法不同，该网络是从头开始端到端训练的，实验表明这提高了分割准确性。

3. 方法细节

3.1 3D密集U-Net用于左心房分割

主要任务是左心房分割，将其定义为3D医学图像中体素的二分类问题。任务模型的输入是3D CT/MRI体积，输出是属于左心房区域的体素的同尺寸似然图。通过一个常数（例如0.5）进行阈值处理可以轻松确定左心房区域。

提出了一种名为3D密集U-Net的新型深度神经网络结构，作为分割和生成任务的基础模型。3D密集U-Net的核心组件是密集连接块，这种结构在多个计算机视觉应用中已被证明是成功的。密集块内卷积层之间的完全连接为梯度反向传播提供了多条路径，并隐式地为各个层添加了深度监督和多尺度正则化。在编码器和解码器中采用多个密集块来捕获不同级别的分层特征。同时，3D密集U-Net遵循U形卷积编码器 - 解码器的设计，在相应的编码器层和解码器层之间有跳跃连接，将多尺度特征从编码器传递到解码器，结合高低级信息进行最终推理。训练中使用3D Dic