Semantics Guided Disentangled GAN for Chest X-ray Image Rib Segmentation

胸部X光图像肋骨分割的标签注释耗时费力，而标注质量严重依赖于注释者的医学知识。为了减少对注释数据的依赖，现有方法通常利用生成对抗网络（GAN）生成训练数据。然而，基于GAN的方法忽视了针对个体器官的微妙信息，这降低了胸部X光图像的生成质量。因此，我们提出了一种新颖的语义引导解缠生成对抗网络（SD-GAN），通过充分利用不同器官的语义信息，为胸部X光图像肋骨分割生成高质量的训练数据。具体而言，我们使用三个ResNet50分支来解缠不同器官的特征，然后使用解码器来组合特征并生成相应的图像。为了确保生成的图像与语义标签中的输入器官相对应，我们采用语义引导模块对生成的图像进行语义引导。为了评估SD-GAN在生成高质量样本方面的有效性，我们引入了修改后的TransUNet（MTUNet），这是一种专门设计用于多尺度上下文信息提取和多分支解码的分割网络，有效解决了器官重叠的挑战。我们还提出了一个新的胸部X光图像数据集（CXRS）。它包括来自各种医疗机构的1250个样本。每个胸部X光图像上同时注释了肺部、锁骨和24根肋骨。可视化和定量结果展示了SD-GAN在生成高质量胸部X光图像-掩膜对方面的有效性。使用生成的数据，我们训练的MTUNet克服了数据规模的限制，并且优于其他分割网络。

提高胸部X射线图像肋骨分割的标注效率和质量，降低对标注数据的依赖性。

提出了一种新的SD-GAN模型，通过利用不同器官的语义信息来生成高质量的训练数据，进而提高肋骨分割的准确性。

提出了一种新的SD-GAN模型，使用三个ResNet50分支来分离不同器官的特征，并使用解码器来生成相应的图像。为了确保生成的图像与语义标签相对应，使用语义指导模块对生成的图像进行语义指导。同时，作者还提出了一个新的胸部X射线图像数据集(CXRS)，包括1250个样本，同时注释了肺部、锁骨和24根肋骨。实验结果表明，使用SD-GAN生成的数据训练的MTUNet模型在肋骨分割方面表现出色。

最近的相关研究主要是使用GAN生成训练数据，但这些方法忽略了与个体器官相关的微妙信息，从而降低了生成图像的质量。例如，一些相关研究包括：'Synthetic data generation for end-to-end X-ray image segmentation'，'Adversarial learning for chest X-ray segmentation with limited training data'。