对比增强成像深度学习中的域泛化
图像与视频处理
2022-09-07 v3 计算机视觉与模式识别
摘要
过去几年，域泛化问题在非对比成像的深度学习中得到了广泛研究，但在对比增强成像中受到的关注有限。然而，不同临床中心的对比成像协议存在显著差异，特别是在对比剂注射与图像采集之间的时间间隔方面，同时与非对比成像的可用数据集相比，多中心对比增强图像数据的获取较为有限。这需要新的工具，将单域、单中心的深度学习模型泛化到对比增强成像中新的未见域和临床中心。在本文中，我们对深度学习技术进行了详尽的评估，以实现对比增强图像分割对未见临床中心的泛化能力。为此，研究、优化并系统评估了多种技术，包括数据增强、域混合、迁移学习和域适应。为了展示域泛化在对比增强成像中的潜力，这些方法在对比增强心脏磁共振成像（MRI）的心室分割任务上进行了评估。结果基于在三个国家（法国、西班牙和中国）的四家医院采集的多中心心脏对比增强MRI数据集。结果表明，数据增强和迁移学习的结合可以产生在训练期间未包含的新临床中心上泛化良好的单中心模型。配备合适泛化程序的单域神经网络在对比增强成像中可以达到甚至超越多中心、多厂商模型的性能，从而消除了训练可泛化模型对全面多中心数据集的需求。
引用
@article{arxiv.2110.07360,
title = {Domain generalization in deep learning for contrast-enhanced imaging},
author = {Carla Sendra-Balcells and Víctor M. Campello and Carlos Martín-Isla and David Viladés and Martín L. Descalzo and Andrea Guala and José F. Rodríguez-Palomares and Karim Lekadir},
journal= {arXiv preprint arXiv:2110.07360},
year = {2022}
}