面向基于学习的组织微结构估计的数据集间知识迁移
图像与视频处理
2019-10-25 v1 计算机视觉与模式识别
摘要
基于学习的方法，尤其是基于深度网络的方法，已能够从低质量扩散磁共振成像(dMRI)扫描中高质量估计组织微结构，此类扫描以有限数量的扩散梯度和相对较低空间分辨率采集。这些基于学习的组织微结构估计方法需要采集具有高质量扩散信号的训练用dMRI扫描，其在q空间中密集采样且具高空间分辨率。然而，并非所有数据集都能获取训练扫描。因此，我们探索不同dMRI数据集间的知识迁移，以使基于学习的组织微结构估计可应用于未采集训练扫描的数据集。具体地，对于仅有低质量扩散信号而无训练扫描的目标数据集，我们利用以高质量扩散信号采集的源dMRI数据集中的信息。我们使用基于字典的信号表示在q空间中对源数据集的扩散信号进行插值，使插值信号匹配目标数据集的采集方案。随后，将插值信号与源数据集算得的高质量组织微结构一同用于训练深度网络，以对目标数据集执行组织微结构估计。实验在具低质量扩散信号的脑dMRI扫描上进行，展示了所提策略的益处。
引用
@article{arxiv.1910.10930,
title = {Knowledge Transfer between Datasets for Learning-based Tissue Microstructure Estimation},
author = {Yu Qin and Yuxing Li and Zhiwen Liu and Chuyang Ye},
journal= {arXiv preprint arXiv:1910.10930},
year = {2019}
}
备注
4 pages, 2 figures