MRI 神经影像分析中多任务处理的可行性评估：组织分割、跨模态转换与偏置校正
图像与视频处理
2021-06-01 v1 计算机视觉与模式识别
机器学习
医学物理
摘要
神经影像对于脑研究至关重要，用于诊断和识别健康与疾病状态下脑部的疾病、结构与功能。文献表明，在一些具有挑战性的神经影像应用中，采用某些深度学习（DL）方案进行多任务处理具有优势。本研究考察了在三种不同应用中使用多任务处理的可行性，包括组织分割、跨模态转换和偏置场校正。这些应用反映了探索多任务处理的五种不同场景，并进行了 280 次训练与测试会话以作实证评估。我们实现了两个知名网络：作为知名卷积神经网络架构的 U-Net，以及基于条件生成对抗网络的闭式架构。采用归一化互相关系数和 Dice 分数等不同度量来比较方法与各实验结果。统计分析与配对 t 检验一并给出。本研究探讨了这些方法的优缺点及其在不同实现场景中多任务处理的实际影响。该调研表明，偏置校正与跨模态转换应用显著易于分割应用，且若其中之一被确定为主要目标应用，则带分割的多任务处理并不合理。然而，当主要应用为组织分割时，与跨模态转换的多任务处理是有益的，尤其对于 U-net 架构。
引用
@article{arxiv.2105.14986,
title = {Feasibility Assessment of Multitasking in MRI Neuroimaging Analysis: Tissue Segmentation, Cross-Modality Conversion and Bias correction},
author = {Mohammad Eslami and Solale Tabarestani and Malek Adjouadi},
journal= {arXiv preprint arXiv:2105.14986},
year = {2021}
}