集成 CNN 与不确定性建模以改进磁共振成像中多发性硬化病灶的自动识别与分割
图像与视频处理
2022-06-22 v3 人工智能
计算机视觉与模式识别
摘要
迄今为止,已有若干利用磁共振成像(MRI)识别和分割多发性硬化(MS)病灶的自动化策略被提出,但它们均不及人类专家,且行为方式与专家差异显著。这主要源于:MRI 不稳定性带来的模糊性;MS 特有的变异性;MRI 对 MS 的非特异性。医师部分地依靠放射学/临床/解剖学背景与经验来应对模糊性所产生的不确定性。为模拟人类诊断,我们提出一种基于三个关键概念的 MRI MS 病灶识别/分割自动化框架:1. 不确定性建模;2. 提出两个分别训练的 CNN,一个针对病灶优化,另一个针对病灶及其周边环境优化,各自在轴位、冠状位和矢状位方向重复;3. 定义集成分类器以融合不同 CNN 所收集的信息。所提框架在 2016 MSSEG 基准公开数据集上训练、验证与测试,该数据集来自单一成像模态——液体衰减反转恢复(FLAIR)。与金标准及 7 名人类评分者各自的对比表明,自动化评分者与人类评分者之间无显著差异。
引用
@article{arxiv.2108.11791,
title = {Ensemble CNN and Uncertainty Modeling to Improve Automatic Identification/Segmentation of Multiple Sclerosis Lesions in Magnetic Resonance Imaging},
author = {Giuseppe Placidi and Luigi Cinque and Daniela Iacoviello and Filippo Mignosi and Matteo Polsinelli},
journal= {arXiv preprint arXiv:2108.11791},
year = {2022}
}