StyleSeg V2: Towards Robust One-shot Segmentation of Brain Tissue via Optimization-free Registration Error Perception

一次性的脑组织分割需要通过训练注册分割（reg-seg）双模型进行迭代，其中注册模型旨在通过对精心标记的图谱进行变形来为未标记图像提供伪掩模，以便于分割模型。然而，不完美的注册模型会导致图像掩模不匹配，随后会影响分割模型。最近的StyleSeg通过替换未标记图像为其图谱变形的副本来避开这个瓶颈，但需要通过样式变换来借用不同的图像模式。在这里，我们提出了StyleSeg V2，它继承了StyleSeg的优点，但具有感知注册误差的能力。动机是良好的注册模型对于镜像图像的行为是对称的。因此，几乎不需要成本，StyleSeg V2可以通过简单地镜像（对称翻转脑部）其输入使注册模型本身“说出”不正确对齐的区域，而注册错误是原始和镜像输入输出之间的对称不一致性。因此，StyleSeg V2允许分割模型利用未标记图像的正确对齐区域，并通过根据注册误差加权局部变换强度来增强样式变换后的变形图谱图像的保真度。在三个公共数据集上的实验结果表明，我们提出的StyleSeg V2在很大程度上优于其他最先进的技术，并通过至少增加2.4％的平均Dice超过StyleSeg。

本文旨在解决一次性分割脑组织的问题，需要通过训练注册-分割双模型来实现。但是注册模型的不完美会导致图像-掩模不对齐，进而影响分割模型的结果。本文提出了StyleSeg V2，旨在解决这一问题。

StyleSeg V2通过镜像输入来感知注册误差，进而让分割模型利用正确对齐的未标记图像区域，并通过根据注册误差加权局部变换强度来增强样式转换变形的图像的保真度。

本文的实验结果表明，StyleSeg V2在三个公共数据集上的表现均优于其他最先进的方法，并且通过至少2.4％增加平均Dice值超过了StyleSeg。本文的亮点在于其解决了注册模型不完美导致的图像-掩模不对齐问题，并通过加权局部变换强度来增强样式转换变形的图像的保真度。

与本文相关的最新研究包括StyleSeg以及注册-分割双模型等。