面向新颖白质纤维束少样本分割的知识迁移

卷积神经网络（CNNs）基于扩散磁共振成像（dMRI）在白质（WM）纤维束分割上已取得最先进的性能。这些 CNNs 需要大量感兴趣 WM 纤维束的人工勾画用于训练，而这通常是劳动密集且昂贵的。当要分析新颖 WM 纤维束（即未被现有人工勾画所包含的纤维束）时，昂贵的人工勾画会成为一个特别的劣势。为准确分割新颖 WM 纤维束，期望迁移从已有 WM 纤维束学到的知识，从而即使仅有少量新颖 WM 纤维束的勾画，CNNs 也能充分学习以进行分割。本文中，我们探索在少样本设定下将此类知识迁移至新颖 WM 纤维束的分割。尽管可采用经典的微调策略来达到目的，但用于分割已有 WM 纤维束的最后一个任务特定层中的信息被完全丢弃。我们假设该最后层的权重承载了分割新颖 WM 纤维束的有价值信息，因此完全丢弃该信息并非最优。具体而言，我们假设新颖 WM 纤维束可与已有 WM 纤维束相关，且新颖 WM 纤维束的分割可由已有 WM 纤维束的 logits 预测。以此方式，相比随机初始化，微调可实现最后层更好的初始化。进一步，我们表明，通过在经典微调前简单插入一个预热阶段，可方便地实现最后层中用于分割已有 WM 纤维束知识的更具自适应性的利用。所提方法在一个公开可用的 dMRI 数据集上进行了评估，我们展示了该方法对新颖 WM 纤维束少样本分割的益处。