Label-Free Liver Tumor Segmentation

原文：基于規則生成帶有腫瘤的CT圖像，隨后進行將合成數據用于分割模型訓練。
代碼倉庫

動機

在沒有標注的前提下，通過生成CT圖像的方式訓練分割模型。

方法

1. 分割血管，保證生成的腫瘤區域不在血管上
2. 分別合成紋理和形狀
3. 將合成腫瘤放置在CT上，并進行平滑

具體細節和任務本身強相關，詳見原文。

實驗

醫生難以區分合成數據和真實數據。

使用本文方法的合成數據訓練的分割模型有明顯的性能提升。

總結

相較于更具“創新”的生成模型，本文基于規則的方法雖然較為古典，但是更加契合任務本身的需求：生成合理自然的CT圖像以及精準對應的掩碼標注。由于深度生成模型較為“黑盒”，因此在合理性和可控性上反而不如基于規則的方法。