基于异构数据集的脑损伤与脑解剖分割联合学习
计算机视觉与模式识别
2019-04-16 v2 人工智能
机器学习
摘要
磁共振图像中的脑损伤与脑解剖分割是神经影像研究与临床实践中的基础任务。在有充足训练数据的前提下，卷积神经网络（CNN）已被证明在两项任务各自独立时均优于所有现有技术。然而，迄今为止，关于从互不相交的数据集中同时学习脑损伤与脑解剖分割的研究甚少。本文致力于训练单一 CNN 模型，利用按仅其中一项任务独立标注的异构数据集（使用公开数据集时的常见情形）来预测脑组织与损伤分割。我们指出此种情况下会出现标签矛盾问题，并提出一种新颖的自适应交叉熵（ACE）损失函数使此类训练成为可能。我们在两种不同场景下给出定量评估，将所提方法与多网络方法进行基准对比。实验表明，在标准交叉熵与 Dice 损失函数往往失效时，ACE 损失能够支持单一模型的训练。此外，我们展示了与为独立任务训练多个网络相比，亦可取得具竞争力的结果。
引用
@article{arxiv.1903.03445,
title = {Joint Learning of Brain Lesion and Anatomy Segmentation from Heterogeneous Datasets},
author = {Nicolas Roulet and Diego Fernandez Slezak and Enzo Ferrante},
journal= {arXiv preprint arXiv:1903.03445},
year = {2019}
}
备注
Accepted for publication at MIDL 2019. Open reviews available at: https://openreview.net/forum?id=Syest0rxlN