从任务特定的异模态数据集学习联合病灶与组织分割
图像与视频处理
2020-04-15 v1 计算机视觉与模式识别
摘要
从多模态 MRI 进行脑组织分割是许多神经科学分析流程的关键构建模块。它也可以在许多临床成像场景中发挥重要作用。然而，已有的组织分割方法并未被开发以应对由病理导致的大尺度解剖变化。因此，脑病灶存在对其性能的影响目前不受控制且在实践中不可预测。相反，随着深度神经网络（DNN）的出现，脑病灶分割已显著成熟，并达到使其具有临床使用兴趣的性能水平。然而，现有方法很少允许联合分割正常组织与脑病灶。为此类联合任务开发 DNN 目前受限于以下事实：标注数据集通常仅针对某一特定任务，并依赖于任务特定的异模态成像协议。在本工作中，我们提出一种新方法，从任务特定的异模态且部分标注的数据集构建联合组织与病灶分割模型。从联合问题的变分表述出发，我们展示了期望风险如何被分解并经验性地优化。我们利用风险的上界来处理缺失成像模态。对于每个任务，我们的方法达到了与任务特定且全监督模型相当的性能。
引用
@article{arxiv.1907.03327,
title = {Learning joint lesion and tissue segmentation from task-specific hetero-modal datasets},
author = {Reuben Dorent and Wenqi Li and Jinendra Ekanayake and Sebastien Ourselin and Tom Vercauteren},
journal= {arXiv preprint arXiv:1907.03327},
year = {2020}
}
备注
Accepted as an oral presentation at MIDL 2019 [arXiv:1907.08612]