面向多中心、多厂商与多疾病心脏MR图像分割的域对抗学习
图像与视频处理
2020-08-28 v1 计算机视觉与模式识别
摘要
电影式心脏磁共振(CMR)已成为无创评估心脏功能的金标准。特别是,它允许准确量化包括腔室容积与射血分数在内的功能参数。深度学习已展现出自动化所需心脏结构分割的潜力。然而,深度学习模型缺乏鲁棒性阻碍了其广泛的临床采用。由于数据特征的差异,在特定扫描仪数据上训练的神经网络不能保证很好地泛化到不同中心或不同扫描仪获取的数据。本工作中,我们针对该域偏移问题提出一种基于原理的解决方案。采用域对抗学习,利用有标签与无标签数据训练域不变的2D U-Net。该方法在M&Ms挑战数据集的已见与未见域上进行了评估,域对抗方法相较标准训练表现出性能提升。此外,我们表明无法从所学特征中恢复域信息。
引用
@article{arxiv.2008.11776,
title = {Domain-Adversarial Learning for Multi-Centre, Multi-Vendor, and Multi-Disease Cardiac MR Image Segmentation},
author = {Cian M. Scannell and Amedeo Chiribiri and Mitko Veta},
journal= {arXiv preprint arXiv:2008.11776},
year = {2020}
}
备注
Accepted at the STACOM workshop at MICCAI 2020