用于基于深度学习脑转移瘤分割的 MRI 脉冲序列集成
图像与视频处理
2019-12-19 v1 计算机视觉与模式识别
摘要
磁共振（MR）成像是临床医学中必不可少的诊断工具。近来，多种深度学习方法已被应用于医学图像分割任务，在计算机辅助诊断中展现出有前景的结果。对于 MR 图像，有效集成不同脉冲序列对优化性能十分重要。然而，集成不同脉冲序列的最佳方式仍不明确。在本研究中，我们评估多种架构特征并刻画其在转移瘤分割任务中的作用。具体而言，我们考虑（1）不同的脉冲序列集成方案，（2）并行网络分支的不同权重共享模式，以及（3）一种使模型对缺失脉冲序列具有鲁棒性的新方法。我们发现，在我们小数据（n = 100）的情形下，有利于低方差的集成程度与权重共享模式表现最佳。通过添加输入级 dropout 层，我们能够在允许对缺失脉冲序列的输入进行推理的同时，保持这些网络的整体性能。我们不仅展示了网络的泛化能力，也展示了当将训练模型应用于来自不同中心、未使用相同脉冲序列的数据时该鲁棒性的效用。最后，我们应用网络可视化方法以更好地理解哪些输入特征对网络性能最为重要。总之，这些结果为构建在保持可比性能的同时增强对缺失数据鲁棒性的网络提供了框架。
引用
@article{arxiv.1912.08775,
title = {MRI Pulse Sequence Integration for Deep-Learning Based Brain Metastasis Segmentation},
author = {Darvin Yi and Endre Grøvik and Michael Iv and Elizabeth Tong and Kyrre Eeg Emblem and Line Brennhaug Nilsen and Cathrine Saxhaug and Anna Latysheva and Kari Dolven Jacobsen and Åslaug Helland and Greg Zaharchuk and Daniel Rubin},
journal= {arXiv preprint arXiv:1912.08775},
year = {2019}
}
备注
In the IEEE transactions format for submission to IEEE-TMI