评估神经网络在运动伪影脑MRI上病灶分割的偏差
图像与视频处理
2020-10-14 v1 计算机视觉与模式识别
机器学习
医学物理
摘要
在磁共振成像（MRI）采集过程中患者运动会产生运动伪影，限制了放射科医生对所见病症进行定量评估的能力。通常，放射科医生要么以较低的诊断置信度“看穿”伪影，要么拒绝MR扫描并要求患者召回重扫。目前已有许多关注MRI伪影检测与校正的方法发表。然而，这些算法在运动伪影MRI图像上所表现偏差的关键问题仍悬而未决。本文旨在从不同级别运动伪影对从事病灶分割任务的神经网络性能的影响来量化该偏差。此外，我们探究了不同学习策略（课程学习）对分割性能的影响。结果表明，采用课程学习训练的网络能有效补偿不同级别的运动伪影，在相同运动数据上相较于常规打乱学习策略将分割性能提升了约9%–15%（p < 0.05）。在每一运动类别中，其要么提升要么保持了Dice系数。据我们所知，我们是首个对脑MRI图像中存在的各级运动伪影进行分割偏差定量评估的团队。
引用
@article{arxiv.2010.06027,
title = {Assessing Lesion Segmentation Bias of Neural Networks on Motion Corrupted Brain MRI},
author = {Tejas Sudharshan Mathai and Yi Wang and Nathan Cross},
journal= {arXiv preprint arXiv:2010.06027},
year = {2020}
}
备注
First two authors contributed equally. Accepted at MICCAI BrainLes 2020