标签生成图像助力跨模态心脏分割
原文：LISynSeg: Data-Centric Label-to-Image Synthesis for Cross-Modality Whole-Heart Segmentation
计算机断层扫描（CT）和磁共振成像（MRI）中的全心脏分割（WHS）受到采集差异和心脏标注异质性的影响。现有 WHS 系统结合了架构设计、迁移学习以及通用的空间或强度增强方法。我们在保持分割架构不变的前提下，研究改变数据增强和训练监督能否改进跨模态 WHS。我们提出 LISynSeg，一种以数据为中心的方法，用标签到图像的合成来增强基于真实图像的 nnU-Net 训练。合成体数据由心脏标签图生成，使用针对训练队列校准的对比度和采集扰动，然后与真实图像混合，以保留标签（因而是合成图像）中缺失的胸部上下文。我们通过心肌壁厚度的可控变化和对不确定血管端点的部分监督来建模心脏标签的变异。在 CARE Whole-Heart 基准上，仅使用合成数据的训练表现劣于真实图像的 nnU-Net 基线，而经校准的真实-合成混合训练在无需更改架构的情况下提升了跨模态分割性能；且 MRI 的提升大于 CT。结果表明，修改训练数据策略可以为异质心脏数据的模型开发带来收益。代码和训练好的权重将在 https://github.com/MedICL-VU/Care26_LISynSeg 发布。作者：Jiacheng Wang, Ivana Isgum, Ipek Oguz。分类：cs.CV,eess.IV