领域特定线索提升基于深度学习的 CT 体数据分割的鲁棒性
图像与视频处理
2020-07-02 v3 计算机视觉与模式识别
机器学习
机器学习
摘要
近年来，机器学习显著改善了医学图像分析。尽管数据驱动的方法具有内在的适应性和通用性，但它们在不同成像模态的数据上往往表现不一。特别是计算机断层扫描（CT）数据对基于卷积神经网络（CNNs）的医学图像分割提出了诸多挑战，主要源于 CT 体数据强度的大动态范围以及记录切片数量的变化。在本文中，我们通过一个结合领域特定数据预处理与增强以及最先进 CNN 架构的框架来解决这些问题。重点不仅限于优化分数，还在于稳定预测性能，因为这是临床环境中自动化和半自动化工作流应用的强制性要求。该框架通过架构对比得到验证，以展示我们框架功能的 CNN 架构无关效应。我们将改进的 U-Net 与改进的混合尺度密集网络（MS-D Net）进行比较，以对比用于并行多尺度处理的空洞卷积与基于传统缩放操作的 U-Net 方法。最后，我们提出了一种结合不同个体方法优势的集成模型。该框架在肝脏和肾脏分割等一系列任务上表现良好，在差异显著的体数据尺寸和变化的切片厚度上预测性能无显著差异。因此，我们的框架是迈向未知真实世界样本鲁棒分割的重要一步。
引用
@article{arxiv.1907.10132,
title = {Domain specific cues improve robustness of deep learning based segmentation of ct volumes},
author = {Marie Kloenne and Sebastian Niehaus and Leonie Lampe and Alberto Merola and Janis Reinelt and Ingo Roeder and Nico Scherf},
journal= {arXiv preprint arXiv:1907.10132},
year = {2020}
}