基于深度学习的规范映射医学图像协调：面向成像中鲁棒且可泛化的学习
图像与视频处理
2020-10-26 v1 计算机视觉与模式识别
摘要
传统方法与基于深度学习的方法在医学成像领域已展现出巨大潜力，可作为推导诊断、预后和预测性生物标志物的手段，并助力精准医学。然而，这些方法尚未得到广泛临床采用，部分原因是跨不同成像设备、采集协议和患者群体的泛化性能有限。本文提出一种新范式，将来自多种采集条件的数据“协调”至一个公共参考域，以便在其中进行准确的模型学习与预测。通过使用生成式深度学习模型学习从多样数据集到参考域的无监督图像到图像规范映射，我们旨在减少混杂数据变异的同时保留语义信息，从而使参考域中的学习任务更为容易。我们在两个示例问题上验证该方法，即基于 MRI 的脑龄预测与精神分裂症分类，利用了涵盖 9 个站点、9701 名受试者的神经成像 MRI 数据汇总队列。结果表明，即使在仅限单站点训练时，这些方法在样本外数据上的任务表现也有显著提升。
引用
@article{arxiv.2010.05355,
title = {Medical Image Harmonization Using Deep Learning Based Canonical Mapping: Toward Robust and Generalizable Learning in Imaging},
author = {Vishnu M. Bashyam and Jimit Doshi and Guray Erus and Dhivya Srinivasan and Ahmed Abdulkadir and Mohamad Habes and Yong Fan and Colin L. Masters and Paul Maruff and Chuanjun Zhuo and Henry Völzke and Sterling C. Johnson and Jurgen Fripp and Nikolaos Koutsouleris and Theodore D. Satterthwaite and Daniel H. Wolf and Raquel E. Gur and Ruben C. Gur and John C. Morris and Marilyn S. Albert and Hans J. Grabe and Susan M. Resnick and R. Nick Bryan and David A. Wolk and Haochang Shou and Ilya M. Nasrallah and Christos Davatzikos},
journal= {arXiv preprint arXiv:2010.05355},
year = {2020}
}