基于频率解耦学习的定量磁化率成像数据中脑中部结构分割
图像与视频处理
2023-02-28 v1 计算机视觉与模式识别
摘要
人们往往缺乏足够的标注样本来训练深度分割模型。对于定量磁化率成像（QSM）等较不常见的成像模态而言尤其如此。已有研究表明，深度模型倾向于从低频到高频拟合目标函数。可以假设，这种特性可被用于更好地训练深度学习模型。本文利用该特性提出一种基于频域解耦的新训练方法。它包含两个主要步骤：i）将图像解耦为高频和低频部分并进行特征学习；ii）频域融合以完成任务。该方法可与任意骨干分割网络配合使用。我们将该方法应用于 QSM 数据中红核和齿状核的分割，这与帕金森综合征的研究尤为相关。我们证明所提方法为这些任务带来了可观的性能提升。我们进一步将其应用于医学分割十项全能（MSD）挑战赛的三个公开数据集。对于其中两个 MSD 任务，它带来了较小但依然显著的提升（Dice 最高提升 7 个点），尤其在训练集较小的情况下。
引用
@article{arxiv.2302.12980,
title = {Frequency Disentangled Learning for Segmentation of Midbrain Structures from Quantitative Susceptibility Mapping Data},
author = {Guanghui Fu and Gabriel Jimenez and Sophie Loizillon and Lydia Chougar and Didier Dormont and Romain Valabregue and Ninon Burgos and Stéphane Lehéricy and Daniel Racoceanu and Olivier Colliot and the ICEBERG Study Group},
journal= {arXiv preprint arXiv:2302.12980},
year = {2023}
}
备注
10 pages