One-Shot Traumatic Brain Segmentation with Adversarial Training and Uncertainty Rectification
1.问题总结
基于学习变换的单次分割方法存在以下问题:(1)增强样本的多样性受限。(2)学习变换引入了潜在的错误标签
2.解决方法
(1)通过增强样本的对抗性分布来提高增强数据的多样性和分割的鲁棒性。(2)根据分割过程中的不确定性，对学习变换带来的潜在标签误差进行校正。
3.总结
在这项工作中，我们提出了一种新的一次性分割方法，用于严重创伤性脑分割，这是一种困难的临床场景，可用的注释数据有限。我们的方法解决了sTBI脑分割中的关键问题，即需要多样化的训练数据和减少由外观变换引入的潜在标签错误。对抗训练的引入增强了数据的多样性和分割的鲁棒性，同时设计了不确定性校正来补偿潜在的标签错误。
在sTBI脑上的实验结果证明了我们提出的方法的有效性及其相对于最先进的替代方法的优势，突出了我们的方法在实现更准确的严重创伤脑分割方面的潜力，这可能有助于临床管道。