异常胎儿脑 3D MRI 的分布鲁棒分割
计算机视觉与模式识别
2022-02-10 v1 人工智能
机器学习
图像与视频处理
摘要
深度神经网络的性能通常随训练图像数量的增加而提升。然而，并非所有图像对提升性能和鲁棒性都具有相同的重要性。在胎儿脑 MRI 中，与非病理病例相比，异常情况加剧了发育中脑部解剖结构的变异性。用于训练的临床数据集中通常包含的少数异常病例，不太可能公平地代表异常发育大脑的丰富变异性。这导致通过最大化平均性能训练的机器学习系统偏向于非病理病例。这个问题最近被称为隐藏分层。为了适用于临床使用，自动分割方法需要可靠地对病理病例也能实现高质量的分割结果。在本文中，我们展示了最先进的深度学习流程 nnU-Net 难以泛化到未见过的异常病例。为了缓解这个问题，我们提出训练深度神经网络以最小化数据集中每体积损失分布的某个百分位数。我们表明这可以通过使用分布鲁棒优化 (DRO) 来实现。DRO 自动对性能较低的训练样本进行重新加权，鼓励 nnU-Net 在所有病例上表现更加一致。我们使用包含 368 例胎儿脑 T2w MRI 的数据集验证了我们的方法，其中包括 124 例开放性脊柱裂病例的 MRI 和 51 例其他严重脑发育异常病例的 MRI。
引用
@article{arxiv.2108.04175,
title = {Distributionally Robust Segmentation of Abnormal Fetal Brain 3D MRI},
author = {Lucas Fidon and Michael Aertsen and Nada Mufti and Thomas Deprest and Doaa Emam and Frédéric Guffens and Ernst Schwartz and Michael Ebner and Daniela Prayer and Gregor Kasprian and Anna L. David and Andrew Melbourne and Sébastien Ourselin and Jan Deprest and Georg Langs and Tom Vercauteren},
journal= {arXiv preprint arXiv:2108.04175},
year = {2022}
}
备注
Accepted at the MICCAI 2021 Perinatal, Preterm and Paediatric Image Analysis (PIPPI) workshop. arXiv admin note: substantial text overlap with arXiv:2001.02658