探索深度神经网络在脑图像配准中的强度不变性
计算机视觉与模式识别
2020-09-22 v1 人工智能
机器学习
摘要
图像配准是一种广泛用于分析大规模数据集的技术，这些数据集通过生物医学成像（如 MRI、X 射线等）中各种成像模态与技术采集。这些数据集通常来自多个站点，并在不同成像协议下使用多种扫描仪收集。数据采集过程中的这种异质性导致强度（亮度）与噪声分布的不均匀或变化。这些变化对图像配准、分割与检测算法的性能有损害作用。经典图像配准方法计算开销大，但能相对较好地处理这些伪影。然而，基于深度学习的技术被证明对自动化脑配准计算高效，但对强度变化敏感。在本研究中，我们考察了输入图像对之间强度分布变化对基于深度学习的图像配准方法的影响。我们发现，即便结构相似，当呈现具有不同强度分布的脑图像对时，这些模型性能下降。为克服该局限，我们在深度神经网络中引入基于结构相似性的损失函数，并在训练前划分的验证集以及完全未见过的新数据集上测试其性能。我们报告，以结构相似性损失训练的深度学习模型在两个数据集上均表现更好。本调查凸显了基于深度学习的配准模型中一个可能的性能限制因素，并提出了一种潜在方案以纳入输入图像对中的强度分布变化。我们的代码与模型可在 https://github.com/hassaanmahmood/DeepIntense 获取。
引用
@article{arxiv.2009.10058,
title = {Exploring Intensity Invariance in Deep Neural Networks for Brain Image Registration},
author = {Hassan Mahmood and Asim Iqbal and Syed Mohammed Shamsul Islam},
journal= {arXiv preprint arXiv:2009.10058},
year = {2020}
}