基于增强迁移学习的儿童及增强后 MRI 深度全脑分割泛化方法
图像与视频处理
2019-08-14 v1 计算机视觉与模式识别
摘要
泛化性是深度神经网络中的一个重要问题，尤其是在临床磁共振成像（MRI）数据采集存在可变性的背景下。最近，空间局部化图谱网络块（Spatially Localized Atlas Network Tiles，SLANT）方法已被证明能有效分割具有 132 个体积标签的全脑非增强 T1w MRI。增强 SLANT 的泛化能力将使其在多中心研究中的体积评估得到更广泛应用。迁移学习（TL）常用于针对局部因素更新神经网络权重；然而，人们普遍认识到其存在在原始验证/测试队列上性能退化的风险。在此，我们在将 SLANT 适应于解剖变异和扫描协议的背景下，通过数据增强探索 TL 以解决这些担忧。我们考虑两个数据集：首先，我们针对年龄进行优化，使用 30 例幼儿 T1w MRI 及人工校正的体积标签，自动化分割精度相对于人工提供的真值定义。其次，我们针对采集进行优化，使用 36 对临床采集的增强前和增强后配对 T1w MRI 数据集，增强后分割精度相对于增强前自动评估结果进行评估。对于两项研究，我们均使用仅新数据或原始与新数据两者来增强 SLANT 的原始 TL 步骤。相较于基线 SLANT，两种方法均产生显著改进的性能（符号秩检验；儿童：0.89 对比 0.82 DSC，p<0.001；对比剂：0.80 对比 0.76，p<0.001）。仅新数据迁移学习方法在原始测试集上的性能下降，因此数据增强优于严格迁移学习。
引用
@article{arxiv.1908.04702,
title = {Generalizing Deep Whole Brain Segmentation for Pediatric and Post-Contrast MRI with Augmented Transfer Learning},
author = {Camilo Bermudez and Justin Blaber and Samuel W. Remedios and Jess E. Reynolds and Catherine Lebel and Maureen McHugo and Stephan Heckers and Yuankai Huo and Bennett A. Landman},
journal= {arXiv preprint arXiv:1908.04702},
year = {2019}
}