用于解耦MRI图像质量来源的异方差不确定性模型
图像与视频处理
2020-02-03 v1 计算机视觉与模式识别
摘要
医学图像的质量控制（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主要以视觉方式进行，耗费大量时间和人工成本。我们旨在通过构建一个概率网络来自动化该过程，该网络通过异方差噪声模型估计不确定性，从而提供直接从数据中学习的任务特定图像质量的代理度量。通过对训练数据增强不同类型的模拟k空间伪影，我们提出了一种基于师生框架的新型级联CNN架构，以完全自监督的方式解耦与不同k空间增强相关的不确定性来源。这使我们能够针对不同类型的数据退化预测独立的不确定性量。当不确定性度量反映图像伪影的存在与严重程度时，该网络还根据数据质量提供分割预测。我们展示了用模拟伪影训练的模型能在真实世界图像上提供信息性的不确定性度量，并在由人工评分者识别的问题图像上验证了我们的不确定性预测。
引用
@article{arxiv.2001.11927,
title = {A Heteroscedastic Uncertainty Model for Decoupling Sources of MRI Image Quality},
author = {Richard Shaw and Carole H. Sudre and Sebastien Ourselin and M. Jorge Cardoso},
journal= {arXiv preprint arXiv:2001.11927},
year = {2020}
}