DeepDefacer：基于 U-Net 图像分割的面部特征自动去除方法
计算机视觉与模式识别
2022-06-01 v1 机器学习
图像与视频处理
摘要
磁共振成像（MRI）领域近期的进展使临床医生与研究人员能够针对神经成像任务开展大规模协作。然而，研究人员在发表 MRI 图像前常被迫使用过时且缓慢的软件进行匿名化处理。这些程序专门针对 3D 图像执行高昂的数学运算，随着图像体积增大，匿名化速度迅速下降。本文中，我们提出 DeepDefacer，一种将深度学习应用于 MRI 匿名化的工具，其使用精简的 3D U-Net 网络对 MRI 图像中的面部区域进行掩蔽，相较传统去标识软件速度显著提升。我们在来自 Brain Development Organization（IXI）和 International Consortium for Brain Mapping（ICBM）的 MRI 图像上训练 DeepDefacer，并依据 Dice、召回率和精确率分数针对基线 3D U-Net 模型进行定量评估。我们还在一系列 CPU 和 GPU 设备上针对传统去脸工具 Pydeface 评估 DeepDefacer 的速度，并定性评估模型去脸输出与 Pydeface 生成的真值图像。我们在文稿末尾提供了 PyPi 程序链接，以鼓励进一步研究深度学习在 MRI 匿名化中的应用。
引用
@article{arxiv.2205.15536,
title = {DeepDefacer: Automatic Removal of Facial Features via U-Net Image Segmentation},
author = {Anish Khazane and Julien Hoachuck and Krzysztof J. Gorgolewski and Russell A. Poldrack},
journal= {arXiv preprint arXiv:2205.15536},
year = {2022}
}