Shape-aware synthesis of pathological lung CT scans using CycleGAN for enhanced semi-supervised lung segmentation

本文解决了病态肺部分割的问题，这是医学图像分析中的一个重要挑战，特别是在外周密度（严重纤维化和实变）的情况下，因为肺组织和周围区域的纹理相似。为了克服这些挑战，本文强调使用CycleGAN进行无配对图像转换，以提供一种增强方法，能够生成与现有基准标准相匹配的虚假病态图像。虽然以前的研究已经使用了CycleGAN，但它们通常忽略了形状变形的挑战，这对于准确的医学图像分割非常重要。我们的工作引入了一种创新策略，结合了额外的损失函数。具体而言，它提出了一种基于肺周围的L1损失，其形状被限制在从健康到病态领域的过渡中保持不变。肺周围是基于健康领域中可用的基准肺掩码导出的。此外，还应用了预处理步骤，例如基于肋骨/椎骨位置的裁剪，以优化CycleGAN的输入，确保网络专注于肺区域。这对于避免外部偏差非常重要，例如缩放效应偏差，这可能会从主要任务中分散注意力。该方法应用于通过使用U-Net模型进行半监督方式的肺部分割过程，该模型通过即时数据增强并结合CycleGAN模型生成的合成病态组织进行训练。本研究的初步结果展示了显著的定性和定量改进，为病态肺部分割领域设定了新的基准。我们的代码可在https://github.com/noureddinekhiati/Semi-supervised-lung-segmentation找到。

解决病理性肺部分割中的形态变形问题，提高分割准确性。

使用CycleGAN进行非配对图像转换，引入基于L1损失的肺周围形状约束，结合U-Net模型进行半监督学习。

论文提出的方法在病理性肺部分割中取得了显著的定性和定量改进，开源了代码，使用了数据增强和CycleGAN等技术。

最近相关研究包括：'Pathological Lung Segmentation in CT Images using 3D U-Net and Gradient Boosting'，'Lung Segmentation in Chest Radiographs using Anatomical Atlases with Non-rigid Registration'等。