一种用于MRI分割质量估计的解耦不确定性模型
图像与视频处理
2021-09-07 v1 计算机视觉与模式识别
摘要
MR图像的质量控制（QC）对于确保分割等下游分析能够成功进行至关重要。目前，QC主要依靠人工视觉和主观判断，耗费大量时间和操作员成本。我们旨在使用概率网络自动化该过程，该网络通过异方差噪声模型估计分割不确定性，提供任务特定质量的度量。通过对训练图像施加k空间伪影增强，我们提出了一种新颖的CNN架构，以自监督方式解耦与任务及不同k空间伪影相关的不确定性来源。这使得能够针对不同类型的数据退化预测各自的不确定性。虽然不确定性预测反映了伪影的存在与严重程度，但网络在给定数据质量下提供了更鲁棒和泛化的分割预测。我们表明，经伪影增强训练的模型在模拟伪影和人类评分员识别的问题真实图像上均提供了信息丰富的不确定性度量，定性上和定量上以体积测量的误差条形式呈现。将伪影不确定性与分割Dice分数相关联，我们观察到与常用质量度量（包括信噪比（SNR）和对比度噪声比（CNR））相比，我们的不确定性预测从任务角度（灰质分割）提供了更好的MRI质量估计，从而提供了指示分割质量的实时质量度量。
引用
@article{arxiv.2109.02413,
title = {A Decoupled Uncertainty Model for MRI Segmentation Quality Estimation},
author = {Richard Shaw and Carole H. Sudre and Sebastien Ourselin and M. Jorge Cardoso and Hugh G. Pemberton},
journal= {arXiv preprint arXiv:2109.02413},
year = {2021}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org. arXiv admin note: substantial text overlap with arXiv:2001.11927