通过交替分割与合成实现对比度自适应组织分类
图像与视频处理
2021-03-05 v1 计算机视觉与模式识别
摘要
深度学习用于磁共振图像分割的方法在脑图像定量分析自动化方面展现出显著潜力。然而，一个持续的挑战是其对采集协议可变性的敏感性。试图分割那些对比度特性不同于训练数据的图像通常会导致性能显著下降。此外，异构数据集难以轻松评估，因为采集差异引起的定量变化往往远大于人们试图测量的生物学差异引起的变化。在本工作中，我们描述一种使用交替分割与合成步骤的方法，将训练数据的对比度特性适配到输入图像。这使得与训练数据不相似的输入图像能够更一致地被分割。该方法的一个显著优势是仅需一个采集协议的单一样例即可适配其对比度特性。我们使用来自一组人类受试者的、以两种不同 T1 加权体积协议扫描的脑图像证明了我们方法的有效性。
引用
@article{arxiv.2103.02767,
title = {Contrast Adaptive Tissue Classification by Alternating Segmentation and Synthesis},
author = {Dzung L. Pham and Yi-Yu Chou and Blake E. Dewey and Daniel S. Reich and John A. Butman and Snehashis Roy},
journal= {arXiv preprint arXiv:2103.02767},
year = {2021}
}
备注
10 pages. MICCAI SASHIMI Workshop 2021