DeepLesionBrain：面向多发性硬化病灶分割的更广深度学习泛化
图像与视频处理
2021-07-26 v2 计算机视觉与模式识别
摘要
近来，基于卷积神经网络（CNNs）的分割方法在多发性硬化（MS）病灶自动分割中展现出有前景的性能。这些技术在受控评估条件（如纵向MS病灶分割挑战赛（ISBI Challenge））下甚至超越了人类专家。然而，训练在高度受控数据集上表现良好的最先进方法无法在来自未见数据集的临床数据上泛化。我们未提出另一种分割精度的改进，而是提出一种对域偏移鲁棒且在未见数据集上表现良好的新方法，称为DeepLesionBrain（DLB）。该泛化特性源于三个主要贡献。首先，DLB基于一大组紧凑的3D CNNs。这种空间分布式策略确保了尽管存在某些个体网络泛化失败的风险，预测仍鲁棒。其次，DLB包含一种新的图像质量数据增强，以减少对训练数据特异性（如采集协议）的依赖。最后，为学习更具泛化性的MS病灶表示，我们提出分层专门化学习（HSL）。HSL通过在整个大脑上预训练一个通用网络，然后将其权重用作局部专门化网络的初始化来执行。至此，DLB同时学习在全局图像层级提取的通用特征和在局部图像层级提取的特定特征。DLB的泛化在MSSEG'16、ISBI挑战赛和内部数据集的跨数据集实验中得到验证。实验中，与最先进方法相比，DLB展现出更高的分割精度、更好的分割一致性和更强的泛化性能。因此，DLB提供了一个非常适合临床实践的鲁棒框架。
引用
@article{arxiv.2012.07950,
title = {DeepLesionBrain: Towards a broader deep-learning generalization for multiple sclerosis lesion segmentation},
author = {Reda Abdellah Kamraoui and Vinh-Thong Ta and Thomas Tourdias and Boris Mansencal and José V Manjon and Pierrick Coupé},
journal= {arXiv preprint arXiv:2012.07950},
year = {2021}
}