基于含噪标签的高分辨率 MRI 重建中胎儿脑高效多类分割
图像与视频处理
2020-09-15 v1
摘要
发育中胎儿脑的分割是定量分析中的重要步骤。然而，手动分割是一项非常耗时且易出错的任务，必须由高度专业化的人员完成。胎儿 MRI 的超分辨率重建已成为处理此类数据的标准方法，因其改善了图像质量与分辨率。然而，不同处理流程导致输出略有差异，进一步复杂化了旨在分割超分辨率数据的分割方法的泛化能力。因此，我们提出利用带噪多类标签的迁移学习，使用由一种重建方法创建的单一分割集合并跨其他重建方法测试泛化性，来自动分割高分辨率胎儿脑 MRI。我们的结果表明，无论使用何种重建方法，该网络都能将胎儿脑重建自动分割为 7 种不同组织类型。与不使用预初始化权重的训练相比，迁移学习具有一些优势，但在干净标签上训练的网络总体分割更准确。无需额外的手动分割。因此，所提出的网络有潜力消除定量分析中所需的手动分割（与所用重建方法无关），为量化正常与病理性神经发育提供无偏方法。
引用
@article{arxiv.2009.06275,
title = {Efficient multi-class fetal brain segmentation in high resolution MRI reconstructions with noisy labels},
author = {Kelly Payette and Raimund Kottke and Andras Jakab},
journal= {arXiv preprint arXiv:2009.06275},
year = {2020}
}
备注
Accepted for publication at PIPPI MICCAI 2020