基于缩放残差自助法实现白质纤维束分割对任意数据集更好泛化的方法
图像与视频处理
2023-09-26 v1 计算机视觉与模式识别
摘要
白质（WM）纤维束分割是脑连接研究的关键步骤。它在扩散磁共振成像（dMRI）上执行，深度神经网络（DNNs）已取得了有前景的分割精度。现有的基于 DNN 的方法使用带标注的数据集进行模型训练。然而，由于分布偏移，训练好的模型在不同测试数据集上的性能可能并非最优，因此期望设计允许分割模型对任意测试数据集更好泛化的 WM 纤维束分割方法。在本工作中，我们提出了一种通过缩放残差自助法（scaled residual bootstrap）改善泛化的 WM 纤维束分割方法。训练与测试数据集中 dMRI 扫描的差异最明显地由扩散梯度数量与噪声水平的不同引起。由于二者均导致训练与测试数据间不同的信噪比（SNRs），我们提出通过调整噪声幅度来增强训练扫描，并开发了一种适用于该增强的改进残差自助策略。为验证所提方法，使用了两个 dMRI 数据集，实验结果表明我们的方法在各种设置下一致地改善了 WM 纤维束分割的泛化能力。
引用
@article{arxiv.2309.13980,
title = {Better Generalization of White Matter Tract Segmentation to Arbitrary Datasets with Scaled Residual Bootstrap},
author = {Wan Liu and Chuyang Ye},
journal= {arXiv preprint arXiv:2309.13980},
year = {2023}
}