Label-Free Liver Tumor Segmentation
原文:基于规则生成带有肿瘤的CT图像,随后进行将合成数据用于分割模型训练。
代码仓库
动机
在没有标注的前提下,通过生成CT图像的方式训练分割模型。
方法
- 分割血管,保证生成的肿瘤区域不在血管上
- 分别合成纹理和形状
- 将合成肿瘤放置在CT上,并进行平滑
具体细节和任务本身强相关,详见原文。
实验
医生难以区分合成数据和真实数据。
使用本文方法的合成数据训练的分割模型有明显的性能提升。
总结
相较于更具“创新”的生成模型,本文基于规则的方法虽然较为古典,但是更加契合任务本身的需求:生成合理自然的CT图像以及精准对应的掩码标注。由于深度生成模型较为“黑盒”,因此在合理性和可控性上反而不如基于规则的方法,