利用空间 MRI 归一化：为 CNN 设计分块独立滤波器层
计算机视觉与模式识别
2019-11-15 v1
摘要
基于磁共振成像（MRI）的神经影像研究通常采用严格的预处理形式。图像通过线性和非线性变换空间归一化到标准模板。因此，可以假设位于 (x, y, height, width) 处的图像块在整个数据集中包含相同的脑区。大多数在脑 MRI 上使用卷积神经网络（CNNs）的分析忽略了其不同于自然图像的这一特性。在此，我们提出一种称为分块独立滤波器（PIF）层的新层类型，它在局部训练更高层滤波器，因为我们认为在空间归一化后更抽象的特征是局部特定的。我们在三个不同任务上评估 PIF 层，即性别分类以及阿尔茨海默病（AD）或多发性硬化症（MS）检测。我们证明，使用 PIF 层的 CNN 在多种尤其是小样本量设置下优于其对应模型。
引用
@article{arxiv.1911.06278,
title = {Harnessing spatial MRI normalization: patch individual filter layers for CNNs},
author = {Fabian Eitel and Jan Philipp Albrecht and Friedemann Paul and Kerstin Ritter},
journal= {arXiv preprint arXiv:1911.06278},
year = {2019}
}