用于脑肿瘤分割的跨模态深度特征学习
图像与视频处理
2022-01-10 v1 计算机视觉与模式识别
摘要
机器学习的最新进展以及数字医学图像的普及，为利用深度卷积神经网络解决具有挑战性的脑肿瘤分割（BTS）任务提供了契机。然而，与非常普遍的RGB图像数据不同，用于脑肿瘤分割的医学图像数据在数据规模上相对稀缺，但在模态属性上包含更丰富的信息。为此，本文提出一种新颖的跨模态深度特征学习框架，从多模态MRI数据中分割脑肿瘤。其核心思想是通过挖掘多模态数据间的丰富模式来弥补数据规模的不足。所提出的跨模态深度特征学习框架包含两个学习过程：跨模态特征迁移（CMFT）过程和跨模态特征融合（CMFF）过程，分别旨在通过在不同模态数据间迁移知识和融合来自不同模态数据的知识来学习丰富的特征表示。在BraTS基准上进行了综合实验，结果表明与基线方法和最先进（state-of-the-art）方法相比，所提出的跨模态深度特征学习框架能有效提升脑肿瘤分割性能。
引用
@article{arxiv.2201.02356,
title = {Cross-Modality Deep Feature Learning for Brain Tumor Segmentation},
author = {Dingwen Zhang and Guohai Huang and Qiang Zhang and Jungong Han and Junwei Han and Yizhou Yu},
journal= {arXiv preprint arXiv:2201.02356},
year = {2022}
}
备注
published on Pattern Recognition 2021