一种用于医学图像分割的新型域适应框架
计算机视觉与模式识别
2018-10-16 v1 机器学习
机器学习
摘要
我们提出了一种使用深度神经网络的分割框架，并引入了两项创新。首先，我们描述了一种基于生物物理的域适应方法。其次，我们提出了一种自动分割白质、灰质、脑脊液以及肿瘤组织的方法。关于第一项创新，我们使用了一个域适应框架，该框架将一种新颖的多物种生物物理肿瘤生长模型与生成对抗模型相结合，以生成具有已知分割结果、外观逼真的合成多模态MR图像。关于第二项创新，我们提出了一种通过为健康组织计算分割来丰富可用分割数据的自动方法。该分割通过使用BraTS训练数据与一组预标注图谱之间的微分同胚图像配准完成，为训练提供了更多信息并缓解了类别不平衡问题。我们的整体方法不依赖于任何特定的神经网络，并且可以与现有解决方案结合使用。我们使用2D U-Net在BraTS'18分割挑战中展示了性能提升。与现有的用于生成合成训练数据的SOTA（state-of-the-art，最先进）GAN模型相比，我们基于生物物理的域适应取得了更好的结果。
引用
@article{arxiv.1810.05732,
title = {A Novel Domain Adaptation Framework for Medical Image Segmentation},
author = {Amir Gholami and Shashank Subramanian and Varun Shenoy and Naveen Himthani and Xiangyu Yue and Sicheng Zhao and Peter Jin and George Biros and Kurt Keutzer},
journal= {arXiv preprint arXiv:1810.05732},
year = {2018}
}