以在多站点数据上训练的细节渐进网络对抗脑 MRI 分割中的扫描仪效应
图像与视频处理
2024-05-29 v1 计算机视觉与模式识别
摘要
许多人脑临床与研究研究都需要准确的结构性 MRI 分割。虽然传统基于图谱的方法可应用于任意采集站点的体数据，但近期深度学习算法仅当在训练所用同一站点数据（即内部数据）上测试时才能保证极高精度。在外部数据（即来自未见站点的未见体数据）上出现的性能退化，源于不同 MR 扫描仪型号、采集参数及特有伪影所导致的站点间强度分布差异。为缓解这一常被称为扫描仪效应的站点依赖性，我们提出 LOD-Brain，一种具有渐进细节层次（LOD）的 3D 卷积神经网络，能够对来自任意站点的脑数据进行分割。较粗网络层次负责学习鲁棒的解剖先验以识别脑结构及其位置，而较细层次则精炼模型以处理站点特定的强度分布与解剖变异。我们通过在一个空前丰富的数据集上训练模型来确保跨站点鲁棒性，该数据集聚合了开放仓库数据：来自约 160 个采集站点、1.5–3T、年龄跨度 8 至 90 岁的近 27,000 个 T1w 体数据。大量测试表明 LOD-Brain 取得了最先进结果，内部与外部站点间性能无显著差异，并对挑战性解剖变异具有鲁棒性。其可移植性为跨不同医疗机构、患者群体与成像技术厂商的大规模应用开辟了道路。代码、模型与演示可在项目网站获取。
引用
@article{arxiv.2211.02400,
title = {Fighting the scanner effect in brain MRI segmentation with a progressive level-of-detail network trained on multi-site data},
author = {Michele Svanera and Mattia Savardi and Alberto Signoroni and Sergio Benini and Lars Muckli},
journal= {arXiv preprint arXiv:2211.02400},
year = {2024}
}