跨成像位点协调(HAIL)：脑MRI的一次性学习
图像与视频处理
2023-08-23 v1 计算机视觉与模式识别
机器学习
摘要
对于基于机器学习的罕见疾病(如儿童脑肿瘤)预后和诊断，有必要从可能使用不同设备和协议的多家临床站点收集医学影像数据。由深度学习驱动的放射图像协调依赖于生成对抗网络(GANs)。然而，GANs以生成原始训练数据中不存在的伪结构而臭名昭著，这种现象被称为“幻觉”。为防止医学影像(如脑磁共振图像(MRI))中的幻觉，我们提出一种利用神经风格迁移进行协调的一次性学习方法。在测试时，该方法使用来自一个临床站点的一张图像生成匹配合作站点强度尺度的图像。我们的方法结合学习特征提取器、神经风格迁移和自适应实例归一化。我们进一步提出一种新策略，通过同时衡量图像风格协调和评估解剖结构保留的评估指标来评价图像协调方法的有效性。实验结果表明，我们的方法在将图像强度调整至新临床站点的同时保留患者解剖结构方面是有效的。我们通用的协调模型可用于来自新站点的未见过数据，使其成为现实世界医学应用和临床试验的有价值工具。
引用
@article{arxiv.2308.11047,
title = {Harmonization Across Imaging Locations(HAIL): One-Shot Learning for Brain MRI},
author = {Abhijeet Parida and Zhifan Jiang and Syed Muhammad Anwar and Nicholas Foreman and Nicholas Stence and Michael J. Fisher and Roger J. Packer and Robert A. Avery and Marius George Linguraru},
journal= {arXiv preprint arXiv:2308.11047},
year = {2023}
}
备注
Under review