基于潜在多源相关性表示的缺失模态脑肿瘤分割
图像与视频处理
2021-04-21 v5 计算机视觉与模式识别
机器学习
摘要
多模态 MR 图像可为准确的脑肿瘤分割提供互补信息。然而，在临床实践中缺失成像模态的情况十分常见。由于多模态之间存在强相关性，本文提出一种新颖的相关性表示模块，专门用于发掘潜在的多源相关性。得益于所获得的相关性表示，分割在缺失模态情况下变得更加鲁棒。模型参数估计模块首先映射每个编码器产生的个体表示以获得独立参数，然后在这些参数下，相关性表达模块将所有个体表示进行变换，形成潜在的多源相关性表示。最后，跨模态的相关性表示通过注意力机制融合为共享表示，以强调对分割最重要的特征。我们在 BraTS 2018 数据集上评估了我们的模型，其优于当前最先进（state-of-the-art）方法，并在缺失一个或多个模态时产生鲁棒的结果。
引用
@article{arxiv.2003.08870,
title = {Brain tumor segmentation with missing modalities via latent multi-source correlation representation},
author = {Tongxue Zhou and Stéphane Canu and Pierre Vera and Su Ruan},
journal= {arXiv preprint arXiv:2003.08870},
year = {2021}
}
备注
10 pages, 6 figures, accepted by MICCAI 2020. arXiv admin note: text overlap with arXiv:2102.03111