用于 MRI 全乳腺分割域迁移的强度增强
图像与视频处理
2019-09-09 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
从胸壁分割出乳腺是乳腺磁共振图像分析中重要的第一步。3D U-net 已被证明能获得高分割精度，并且当在一个扫描仪类型上训练并在另一个扫描仪上测试时，只要使用非常相似的 T1 加权 MR 协议，似乎就能很好地泛化。然而，当训练集和未见过的测试集之间的图像强度或患者朝向存在显著差异时，针对域适应问题的研究很少。为了克服域偏移，我们提出在训练期间除了几何增强外，还应用广泛的强度增强。我们探索了风格迁移和一种新颖的强度重映射方法作为强度增强策略。在我们的实验中，我们在 T1 加权扫描上训练了一个 3D U-net，并在 T2 加权扫描上进行了测试。通过应用强度增强，我们将分割性能从 0.71 的 DSC 提高到 0.90。这一性能非常接近在 T2 加权扫描上训练和测试的基线性能（0.92）。此外，我们将我们的网络应用于一个独立的测试集，该测试集由使用 T1 加权 TWIST 序列和不同线圈配置获取的公开扫描组成。在这个数据集上，我们获得了 0.89 的性能，接近真实标注分割的观察者间变异性（0.92）。我们的结果表明，在几何增强之外使用强度增强是克服强度域偏移的合适方法，我们预期它将对广泛的分割任务有用。
引用
@article{arxiv.1909.02642,
title = {Intensity augmentation for domain transfer of whole breast segmentation in MRI},
author = {Linde S. Hesse and Grey Kuling and Mitko Veta and Anne L. Martel},
journal= {arXiv preprint arXiv:1909.02642},
year = {2019}
}
备注
Preprint