适应未见过的设备厂商域用于 MRI 病灶分割
计算机视觉与模式识别
2021-08-17 v1
摘要
机器学习模型的关键局限之一是在超出训练分布域的数据上性能不佳。对于磁共振（MR）成像中的图像分析尤其如此，因为硬件和软件的差异导致不同扫描仪间存在非标准的强度、对比度和噪声分布。近来，已有图像翻译模型被提出用于跨域增强数据以创建合成数据点。本文中，我们研究一种无监督图像翻译模型的应用，将源数据集的 MR 图像增强至目标数据集。具体而言，我们想评估这些模型通过图像翻译创建代表目标数据集的合成数据点的能力，并观察在这些合成数据点训练的分割模型是否能接近直接在目标数据集上训练的模型性能。我们考虑了数据集间增强的三种配置：图像间翻译、扫描仪厂商间翻译以及从标签到图像的翻译。研究发现，以从标签到图像的配置合成数据训练的分割模型，其性能最接近直接在目标数据集上训练的分割模型。针对各目标厂商（GE、Siemens、Philips）在合成数据上训练的 Dice 系数分数分别为 0.63、0.64 和 0.58，而直接在目标数据集上训练分别为 0.65、0.72 和 0.61。
引用
@article{arxiv.2108.06434,
title = {Adapting to Unseen Vendor Domains for MRI Lesion Segmentation},
author = {Brandon Mac and Alan R. Moody and April Khademi},
journal= {arXiv preprint arXiv:2108.06434},
year = {2021}
}