基于深度学习的新发多发性硬化病灶纵向检测
图像与视频处理
2022-06-17 v1 计算机视觉与模式识别
摘要
新发多发性硬化（MS）病灶的检测是该疾病演变的重要标志物。基于学习的方法的应用可高效自动化此任务。然而，带有新发病灶的标注纵向数据的缺乏是训练鲁棒且具泛化能力模型的限制因素。本工作中，我们描述了一个基于深度学习的流程，以应对检测和分割新发 MS 病灶这一挑战性任务。首先，我们提议使用在单时间点分割任务上训练的模型进行迁移学习。因此，我们利用来自更简单任务且可用标注数据集更多的知识。其次，我们提出一种数据合成策略，利用单时间点扫描生成带新发病灶的逼真纵向时间点。以此方式，我们在大型合成标注数据集上预训练我们的检测模型。最后，我们使用一种旨在模拟 MRI 中数据多样性的数据增强技术。通过此举，我们增加了可用的小型标注纵向数据集的规模。我们的消融研究表明各项贡献均提升了分割精度。使用所提流程，我们在 MSSEG2 MICCAI 挑战赛中获得了新发 MS 病灶分割与检测的最佳成绩。
引用
@article{arxiv.2206.08272,
title = {Longitudinal detection of new MS lesions using Deep Learning},
author = {Reda Abdellah Kamraoui and Boris Mansencal and José V Manjon and Pierrick Coupé},
journal= {arXiv preprint arXiv:2206.08272},
year = {2022}
}
备注
preprint