一种用于弥散加权 MRI 中前列腺全腺体与移行带自动分割的迁移学习方法
图像与视频处理
2020-10-29 v2 计算机视觉与模式识别
机器学习
定量方法
摘要
在弥散加权 MRI（DWI）中分割前列腺全腺体与移行带是设计前列腺癌计算机辅助检测算法的第一步。然而，MRI 采集参数和扫描仪制造商的差异导致图像中前列腺组织呈现不同的外观。卷积神经网络（CNN）在包括分割在内的多种医学图像分析任务中已展现出成功，但通常对成像参数的变化敏感。这种敏感性导致在一个源队列上训练的 CNN 在来自不同扫描仪的目标队列上测试时分割性能不佳，从而限制了 CNN 在跨队列训练与测试中的适用性。在 DWI 图像中勾画前列腺全腺体与移行带既耗时又昂贵。因此，使在源域图像上预训练的 CNN 能够以最少的目标域手动分割图像需求来分割目标域图像至关重要。在本工作中，我们提出了一种基于改进的 U-net 架构和损失函数的迁移学习方法，利用在源数据集上预训练的 CNN 对目标数据集上的 DWI 进行前列腺全腺体与移行带分割。我们探索了用于微调预训练 CNN 的目标数据集子集大小对整体分割精度的影响。结果表明，仅使用来自目标域的 30 名患者数据进行微调，所提出的基于迁移学习的算法在前列腺全腺体和移行带分割上均可达到 0.80 的 Dice 相似系数。使用来自目标域的 115 名患者数据进行微调，目标域中全腺体与移行带分割的 Dice 相似系数分别达到 0.85 和 0.84。
引用
@article{arxiv.1909.09541,
title = {A Transfer Learning Approach for Automated Segmentation of Prostate Whole Gland and Transition Zone in Diffusion Weighted MRI},
author = {Saman Motamed and Isha Gujrathi and Dominik Deniffel and Anton Oentoro and Masoom A. Haider and Farzad Khalvati},
journal= {arXiv preprint arXiv:1909.09541},
year = {2020}
}