Boundary-Enhanced Self-supervised Learning for Brain Structure Segmentation

摘要

边界增强自监督学习(BE-SSL)
利用超体素分割和配准作为两个相关的代理任务。前者通过重构超体素转换的距离变换图来获取边界信息，后一项任务通过在配准中对齐组织和器官，进一步用语义增强边界。
代码链接

本文方法

在这里插入图片描述
图2展示了BE-SSL的总体框架，包括两个分支，超体素分支和配准分支，并带有一个共享编码器E。
超体素分支，带有编码器E和解码器Dsv，用于将输入分割为超体素。
配准分支使用编码器E和解码器Dreg，学习将输入配准到所选的atlas

Supervoxel Branch

超体素作为医学图像的语义不敏感过度分割，基于强梯度提供潜在边界信息。要将超体素的分割标签转换为边界标签，一种简单的方法是使用梯度将超体素转换为边界。然而，以这种方式生成的边界预计会非常薄和窄。因此，我们提出将超体素转换为一种距离变换图(DTM)的形式，它不仅表示一个体素是否在边界上，而且还提供它到最近边界的距离。

图3显示了将超体素s转换为距离变换映射t的流程图。对于感兴趣的超体素中的每个体素，其在距离变换映射中的对应值计算为

在这里插入图片描述
其中p和q是体素坐标，G是感兴趣的超体素，Gin和∂G分别是G边界内和边界上的坐标集，||p−q||2是p和q两个坐标之间的欧几里得距离。

为了使网络学会嵌入边界信息，我们将距离变换图作为重建目标。重建距离变换图的一个优点是，通过将其制定为一个体素级回归问题，每个体素都有助于提供边界信息。以距离变换图t为监督，通过最小化均方误差(MSE)损失来优化超体素分支。将网络的预测表示为t~，输入卷的空间表示为Ω。MSE损失公式如下:

在这里插入图片描述

Registration Branch

配准是医学图像分析中的经典任务，无需标注即可进行配准。大脑图像配准的意义在于匹配不同大脑结构的边界。因此，与超体素分支相比，配准可以学习到与下游脑结构类更相关的边界信息。我们采用配准作为代理任务来增强语义边界信息。

表示x和x作为输入图像和图集。自监督注册过程描述如下。配准网络以x为输入，计算变形场φ。φ中的每个值代表偏移距离，符号◦指x的变形运算符，由体素移位和插值组成。我们可以通过空间变形模块采用φ到x，得到变形图像x◦φ。空间转换器的细节模块可以在其他论文中找到。使用两个损失函数进行配准:Lsim(惩罚x◦φ外观上的差异)和x(惩罚φ的局部空间变化)。

在这里插入图片描述

其中λ控制正则化的强度，Lsim是均方误差。我们将λ = 1设为所建议的值，并使用梯度损失约束变形场φ的梯度。