无需旅行人体模体的多站点磁共振图像协调方法
图像与视频处理
2021-10-04 v1 计算机视觉与模式识别
机器学习
摘要
协调可改善数据一致性，是有效整合跨多站点采集的多样化影像数据的核心。近期用于协调的深度学习技术主要为监督式，因此需要同一人类受试者的影像数据在多个站点采集。此类数据收集需人类受试者跨站点旅行，因而具有挑战性、成本高且不切实际，尤其在需要充足样本量以可靠训练网络时更为突出。本文展示如何利用不依赖旅行人体模体数据的深度神经网络实现协调。我们的方法从多站点采集的图像中解耦站点特异性外观信息与站点不变解剖信息，随后利用解耦信息为每个受试者生成任意目标站点的图像。我们使用超过6000张多站点 T1 与 T2 加权图像证明，该方法在生成具真实站点特异性外观且不改变解剖细节的图像方面极为有效。我们的方法允许对现有各类现代大规模影像研究中经不同扫描仪与协议采集的数据进行回顾性协调，无需额外数据收集。
引用
@article{arxiv.2110.00041,
title = {Learning Multi-Site Harmonization of Magnetic Resonance Images Without Traveling Human Phantoms},
author = {Siyuan Liu and Pew-Thian Yap},
journal= {arXiv preprint arXiv:2110.00041},
year = {2021}
}