单一图像处理算法能否在 DCE-MRI 所有期相中同样良好地工作？
图像与视频处理
2023-06-23 v1 计算机视觉与模式识别
机器学习
摘要
图像分割与配准在应用于动态对比增强 MRI 序列（DCE-MRI）时被认为具有挑战性。对比剂在感兴趣区及其他区域引起强度的快速变化，可导致分割任务的假阳性预测并混淆图像配准的相似性度量。尽管普遍认为对比变化增加了这些任务的难度，但据我们所知尚无工作量化这些效应。本文中，我们考察了以不同比例的对比增强（CE）数据训练对两项流行任务的影响：使用 nnU-Net 与 Mask R-CNN 的分割，以及使用 VoxelMorph 与 VTN 的配准。我们通过预训练与以不同数据划分微调来策略性使用可用数据集作了进一步实验。我们发现，要创建可泛化模型，以 CE 数据预训练并以非 CE 数据微调给出了最佳结果。这一有趣发现可推广至 DCE-MRI 其他基于深度学习的图像处理任务，并显著改善模型性能。
引用
@article{arxiv.2306.12988,
title = {Can a single image processing algorithm work equally well across all phases of DCE-MRI?},
author = {Adam G. Tattersall and Keith A. Goatman and Lucy E. Kershaw and Scott I. K. Semple and Sonia Dahdouh},
journal= {arXiv preprint arXiv:2306.12988},
year = {2023}
}