深度标签融合：一种三维端到端混合多图谱分割与深度学习流水线
图像与视频处理
2021-03-22 v1 计算机视觉与模式识别
机器学习
摘要
深度学习（DL）在各种医学图像分割任务中是最先进的方法。然而，它需要相对大量的手动标注训练数据，这在某些应用中可能难以生成。此外，DL 方法对样本外数据的泛化能力相对较差。另一方面，多图谱分割（MAS）在使用有限训练数据时具有可观性能且泛化性良好。一种融合 DL 高准确度与 MAS 良好泛化性的混合方法备受期待，并可在手动标注数据难以生成的分割问题中发挥重要作用。先前多数工作聚焦于使用 DL 改进 MAS 的单一组件，而非通过端到端流水线直接优化最终分割精度。仅有一项研究在 2D 图像二值分割中探索了该思路，但其是否能良好推广到多类 3D 分割问题仍未知。在本研究中，我们提出一种名为深度标签融合（DLF）的 3D 端到端混合流水线，其利用了 MAS 与 DL 的优势。实验结果表明，在使用 3T T1 加权和 T2 加权 MRI 分割内侧颞叶子区域时，DLF 相较传统标签融合方法与直接的 DL 方法 U-Net 取得了显著改进。进一步，当应用于 7T 采集的未见过的相似数据集时，DLF 保持了其优越性能，这证明了其良好的泛化性。
引用
@article{arxiv.2103.10892,
title = {Deep Label Fusion: A 3D End-to-End Hybrid Multi-Atlas Segmentation and Deep Learning Pipeline},
author = {Long Xie and Laura E. M. Wisse and Jiancong Wang and Sadhana Ravikumar and Trevor Glenn and Anica Luther and Sydney Lim and David A. Wolk and Paul A. Yushkevich},
journal= {arXiv preprint arXiv:2103.10892},
year = {2021}
}
备注
12 pages paper accepted by the international conference of Information Processing in Medical Imaging (IPMI) 2021