一种对比度无关的 MRI 分割学习策略
图像与视频处理
2021-04-09 v3 计算机视觉与模式识别
摘要
我们提出一种深度学习策略，首次实现了对完全未预处理的脑 MRI 扫描的对比度无关语义分割，且无需针对新模态进行额外训练或微调。经典贝叶斯方法以无监督强度模型解决该分割问题，但需大量计算资源。相比之下，基于学习的方法在测试时可能很快，但对训练可用数据敏感。我们提出的学习方法 SynthSeg 利用一组训练分割（无需强度图像）在训练过程中动态生成对比度差异广泛的合成样本图像。这些样本使用经典贝叶斯分割框架的生成模型产生，其外观、形变、噪声与偏置场的参数随机采样。由于每个 mini-batch 具有不同的合成对比度，最终网络不会偏向任何 MRI 对比度。我们在包含超过 1,000 名受试者与四类 MR 对比度的四个数据集上全面评估了我们的方法。结果表明，我们的方法成功分割数据中的每一种对比度，性能略优于经典贝叶斯分割，且速度快三个数量级。此外，即使在同类 MRI 对比度内，与采用真实图像训练相比，我们的策略跨数据集泛化能力显著更强。最后，我们发现合成广泛范围（即便不真实）的对比度可提升神经网络的泛化能力。我们的代码与模型开源于 https://github.com/BBillot/SynthSeg。
引用
@article{arxiv.2003.01995,
title = {A Learning Strategy for Contrast-agnostic MRI Segmentation},
author = {Benjamin Billot and Douglas Greve and Koen Van Leemput and Bruce Fischl and Juan Eugenio Iglesias and Adrian V. Dalca},
journal= {arXiv preprint arXiv:2003.01995},
year = {2021}
}
备注
19 pages, 5 figures