用于缺失 MRI 模态脑肿瘤分割的潜相关表示学习
图像与视频处理
2021-04-21 v2 计算机视觉与模式识别
摘要
磁共振成像（MRI）是一种广泛使用的用于评估脑肿瘤的成像技术。从 MR 图像中准确分割脑肿瘤是临床诊断与治疗规划的关键。此外，多模态 MR 图像可为准确的脑肿瘤分割提供互补信息。然而，临床实践中常会缺失某些成像模态。本文提出一种针对缺失模态的新型脑肿瘤分割算法。由于多模态间存在强相关性，我们提出一种相关模型来专门表示潜多源相关性。得益于所获得的相关性表示，分割在缺失模态情况下变得更加鲁棒。首先，各编码器产生的个体表示用于估计模态无关参数。然后，相关模型将所有个体表示转换为潜多源相关性表示。最后，跨模态的相关性表示通过注意力机制融合为共享表示，以强调分割最重要的特征。我们在 BraTS 2018 与 BraTS 2019 数据集上评估我们的模型，其优于当前最先进（SOTA）方法，并在一个或多个模态缺失时产生鲁棒结果。
引用
@article{arxiv.2104.06231,
title = {Latent Correlation Representation Learning for Brain Tumor Segmentation with Missing MRI Modalities},
author = {Tongxue Zhou and Stéphane Canu and Pierre Vera and Su Ruan},
journal= {arXiv preprint arXiv:2104.06231},
year = {2021}
}
备注
12 pages, 10 figures, accepted by IEEE Transactions on Image Processing (8 April 2021). arXiv admin note: text overlap with arXiv:2003.08870, arXiv:2102.03111