提升基于卷积神经网络的心肌磁共振图像分割泛化能力
图像与视频处理
2020-07-02 v2 计算机视觉与模式识别
摘要
基于卷积神经网络（CNN）的分割方法为临床医生评估心脏磁共振（CMR）图像中心脏的结构与功能提供了一种高效且自动化的途径。尽管当训练与测试图像来自同一域（例如同一扫描仪或同一站点）时，CNN通常能以较高精度完成分割任务，但其在来自不同扫描仪或临床站点的图像上性能往往急剧下降。我们提出了一种简单而有效的策略，通过精心设计数据归一化与数据增强策略来适应多站点、多扫描仪临床成像数据集中的常见场景，从而提升网络的泛化能力。我们证明，在UK Biobank的单站点单扫描仪数据集上训练的神经网络的网络可成功应用于跨不同站点与不同扫描仪的心肌磁共振图像分割，且精度无显著损失。具体而言，该方法在UK Biobank的3,975名受试者的大数据集上训练，随后直接在UK Biobank的600名不同受试者上进行域内测试，并在另外两个集合上进行跨域测试：ACDC数据集（100名受试者，1个站点，2台扫描仪）与BSCMR-AS数据集（599名受试者，6个站点，9台扫描仪）。所提方法在UK Biobank测试集上产生了与文献中先前报道值相当的 promising 分割结果，同时在跨域测试集上表现良好，在ACDC数据集上左心室、心肌与右心室的Dice均值分别为0.90、0.81与0.82；在BSCMR-AS数据集上左心室与心肌的Dice均值分别为0.89与0.83。该方法为提升基于CNN的模型在跨扫描仪与跨站点心脏磁共振图像分割任务中的泛化能力提供了一种潜在解决方案。
引用
@article{arxiv.1907.01268,
title = {Improving the generalizability of convolutional neural network-based segmentation on CMR images},
author = {Chen Chen and Wenjia Bai and Rhodri H. Davies and Anish N. Bhuva and Charlotte Manisty and James C. Moon and Nay Aung and Aaron M. Lee and Mihir M. Sanghvi and Kenneth Fung and Jose Miguel Paiva and Steffen E. Petersen and Elena Lukaschuk and Stefan K. Piechnik and Stefan Neubauer and Daniel Rueckert},
journal= {arXiv preprint arXiv:1907.01268},
year = {2020}
}
备注
15 pages, 8 figures