MRI数据库中不同脑病和模态的联合学习的可行性与收益：用于分割
计算机视觉与模式识别
2024-05-30 v1
摘要
用于分割多模态MRI脑病变的模型通常为特定病态使用特定数据库进行训练，数据库包含由特定疾病的特定协议确定的预定义MRI模态集合。这项工作探讨了以下开放问题：是否可行使用包含不同MRI模态和不同脑病变注释的多个数据库训练模型？这种联合学习是否会提高在训练期间可用模态和病变上的性能？是否可以实现对包含不同模态和病变的新数据库的分析？我们开发并比较了不同的方法，表明通过适当、简单且实用的模型和训练框架的修改可以实现令人鼓舞的效果。我们使用包含5种脑病变和不同MRI模态集合的7个数据库进行实验。结果表明，首次实现了使用包含不同脑病变和模态集合的多模态MRI数据库进行联合训练是可行的，并且具有实际收益。这使单个模型能够在多样化的模态集合中对在训练期间遇到的病变进行分割，同时促进对新型病变（例如通过后续微调）的分割。本研究提供的关于这一范式潜力和局限性的见解应该对指导未来在该方向上的进展有所帮助。代码和预训练模型：https://github.com/WenTXuL/MultiUnet
引用
@article{arxiv.2405.18511,
title = {Feasibility and benefits of joint learning from MRI databases with different brain diseases and modalities for segmentation},
author = {Wentian Xu and Matthew Moffat and Thalia Seale and Ziyun Liang and Felix Wagner and Daniel Whitehouse and David Menon and Virginia Newcombe and Natalie Voets and Abhirup Banerjee and Konstantinos Kamnitsas},
journal= {arXiv preprint arXiv:2405.18511},
year = {2024}
}
备注
Accepted to MIDL 2024