跨模态（CT-MRI）先验增强的深度学习用于基于小样本MR数据集的鲁棒肺肿瘤分割
计算机视觉与模式识别
2019-07-29 v2
摘要
缺乏大规模专家标注的MR数据集使得训练深度学习模型十分困难。因此，开发了一种跨模态（MR-CT）深度学习分割方法，该方法利用通过变换专家分割的CT图像所生成的伪MR图像来扩充训练数据。分析了来自28名非小细胞肺癌患者的81次T2加权MRI扫描。将CT到类似于T2w MRI的伪MR图像的变换所编码的跨模态先验学习为一个生成对抗深度学习模型。该模型利用来自Cancer Imaging Archive的377张非小细胞肺癌CT患者扫描的伪MRI，扩充了来自6名专家分割的T2w MR患者扫描的训练数据。训练了一个带批量归一化的二维Unet来从T2w MRI中分割肿瘤。该方法与（a）标准数据扩充和两种最先进的基于跨模态伪MR的扩充方法以及（b）两种分割网络进行了基准比较。使用Dice相似系数（DSC）、Hausdorff距离度量和体积比计算分割精度。所提方法在伪MR与T2w MR图像间的强度分布中产生了最低的统计变异性，其Kullback-Leibler散度量为0.069。该方法在测试数据集上产生了最高的分割精度（DSC为0.75）和最低的Hausdorff距离。该方法对肿瘤生长的估计与专家高度相似（P = 0.37）。开发了一种新颖的深度学习MR分割方法，其通过利用学习的跨模态先验来扩充训练，克服了从小数据集学习鲁棒模型的限制。结果表明了该方法的 feasibility 及其相对于最先进方法的相应改进。
引用
@article{arxiv.1901.11369,
title = {Cross-modality (CT-MRI) prior augmented deep learning for robust lung tumor segmentation from small MR datasets},
author = {Jue Jiang and Yu-Chi Hu and Neelam Tyagi and Pengpeng Zhang and Andreas Rimner and Joseph O. Deasy and Harini Veeraraghavan},
journal= {arXiv preprint arXiv:1901.11369},
year = {2019}
}
备注
Submitted to Medical Physics