提升基于深度学习的膝关节 MRI 分割鲁棒性：Mixup 与对抗域适应
图像与视频处理
2024-08-07 v3 计算机视觉与模式识别
摘要
关节软骨（AC）的退化在膝关节骨关节炎（OA）研究中常通过磁共振成像（MRI）进行积极研究。从 MRI 数据中分割 AC 组织是量化其损伤的关键步骤。基于深度学习（DL）的方法已在这一领域展现出潜力，并且是当前的最优方法，然而它们对 MRI 采集设置异质性的鲁棒性仍是一个开放问题。在本研究中，我们考察了两种现代正则化技术——mixup 与对抗无监督域适应（UDA）——以提升基于深度学习的膝关节软骨分割对新 MRI 采集设置的鲁棒性。我们的验证设置包含由不同 MRI 扫描仪生成且采用不同数据采集协议的两个数据集。我们通过在不同 OA 严重程度阶段以及进一步针对解剖位置，将 mixup 和 UDA 方法与一个强基线方法进行比较，来评估自动分割的鲁棒性。我们的结果表明，对于膝关节 MRI 数据采集设置的适度变化，两种方法均可提供显著的鲁棒性提升，这些提升在疾病所有阶段保持一致，并影响到膝关节临床重要区域。然而，mixup 可被视为推荐方法，因其计算效率更高且不需要来自目标采集设置的额外数据。
引用
@article{arxiv.1908.04126,
title = {Improving Robustness of Deep Learning Based Knee MRI Segmentation: Mixup and Adversarial Domain Adaptation},
author = {Egor Panfilov and Aleksei Tiulpin and Stefan Klein and Miika T. Nieminen and Simo Saarakkala},
journal= {arXiv preprint arXiv:1908.04126},
year = {2024}
}