DIGEST：用于不完整多模态MRI扫描脑肿瘤分割的深度监督知识迁移网络学习
图像与视频处理
2022-11-16 v1 计算机视觉与模式识别
机器学习
摘要
基于多模态磁共振成像（MRI）的脑肿瘤分割在辅助脑癌诊断、治疗和术后评估中起着关键作用。尽管现有自动分割方法取得了令人鼓舞的性能，但由于诸多不可控因素（例如不同成像协议、数据损坏和患者状况限制），多模态MRI数据在真实临床应用中仍然不可用，导致实际应用中的性能大幅下降。在这项工作中，我们提出一种深度监督知识迁移网络（DIGEST），其在不同模态缺失场景下实现准确的脑肿瘤分割。具体而言，构建知识迁移学习框架，使学生模型从以完整多模态MRI数据预训练的教师模型学习模态共享语义信息。为在给定多模态数据下模拟所有可能的模态缺失条件，我们基于伯努利采样生成不完整多模态MRI样本。最后，设计深度监督知识迁移损失以确保师生结构在不同解码阶段的一致性，这有助于提取固有且有效的模态表示。在BraTS 2020数据集上的实验表明，我们的方法在不完整多模态MR图像分割任务中取得了有前景的结果。
引用
@article{arxiv.2211.07993,
title = {DIGEST: Deeply supervIsed knowledGE tranSfer neTwork learning for brain tumor segmentation with incomplete multi-modal MRI scans},
author = {Haoran Li and Cheng Li and Weijian Huang and Xiawu Zheng and Yan Xi and Shanshan Wang},
journal= {arXiv preprint arXiv:2211.07993},
year = {2022}
}
备注
4 pages,2 figures,2 tables