磁共振采集不变表示学习
计算机视觉与模式识别
2018-04-23 v2 机器学习
摘要
体素级分类方法是在脑磁共振成像（MRI）扫描中进行组织定量的常用且有效的方法。然而，这些方法的泛化能力受到不同MRI扫描集之间巨大差异的阻碍，例如场强、供应商或采集协议之间的差异。由于这种与采集相关的变异，在特定扫描仪上训练的分类器在应用于以不同方式采集的数据时会出现失败或性能下降。为了解决这种泛化能力的不足，我们提出一种孪生神经网络（MRAI-net）来学习一种表示，该表示在最小化扫描仪间变异的同时，保持脑组织结构定量所需的脑组织间对比度。所提出的MRAI-net在模拟和真实MRI数据上进行了评估。在学习了MR采集不变表示后，任何使用特征向量的监督分类模型都可以应用。在本文中，我们提供了一个原理验证，表明在目标训练数据很少时，应用于MRAI表示的线性分类器能够在组织分类上胜过监督卷积神经网络分类器。
引用
@article{arxiv.1709.07944,
title = {MR Acquisition-Invariant Representation Learning},
author = {Wouter M. Kouw and Marco Loog and Lambertus W. Bartels and Adriënne M. Mendrik},
journal= {arXiv preprint arXiv:1709.07944},
year = {2018}
}
备注
36 pages, 2 appendices, 12 figures, 3 tables