一种面向跨扫描仪与协议脑磁共振分割的终身学习方法
机器学习
2018-05-28 v1 机器学习
摘要
卷积神经网络（CNNs）在磁共振（MR）图像的若干分割任务上已展现出有前景的结果。然而，当分割的图像所使用的扫描仪和/或协议与训练数据不同时，CNNs的精度可能严重下降，从而限制了其实用性。我们在终身多域学习设定下解决这一缺陷，将使用不同扫描仪或协议获取的图像视为来自不同但相关域的样本。我们的解决方案是一个具有共享卷积滤波器和特定域批归一化层的单一CNN，其仅需少量（≈4）标注图像即可调谐至新域。重要的是，这在不保留旧域训练数据（可能已不可用）的情况下仍保持了旧域上的性能。我们针对MR图像中的脑结构分割评估了该方法。结果表明，所提方法在很大程度上缩小了与基准（即为每个扫描仪训练专用CNN）之间的差距。
引用
@article{arxiv.1805.10170,
title = {A Lifelong Learning Approach to Brain MR Segmentation Across Scanners and Protocols},
author = {Neerav Karani and Krishna Chaitanya and Christian Baumgartner and Ender Konukoglu},
journal= {arXiv preprint arXiv:1805.10170},
year = {2018}
}
备注
Accepted at the 21st International Conference on Medical Image Computing and Computer Assisted Interventions (MICCAI 2018) in Granada, Spain