MS-Net：利用异质 MRI 数据改进前列腺分割的多站点网络
图像与视频处理
2020-02-20 v2 计算机视觉与模式识别
摘要
MRI 中前列腺的自动分割在计算机辅助诊断中需求极高。近来，多种深度学习方法在该任务上取得显著进展，通常依赖于大量训练数据。鉴于医学图像稀缺的特性，有效聚合多站点数据以进行鲁棒模型训练、缓解单站点样本不足十分重要。然而，不同站点的前列腺 MRI 因扫描仪与成像协议差异而呈现异质性，对多站点数据聚合训练的有效方式提出挑战。本文提出一种新颖的多站点网络（MS-Net），通过利用多源数据学习鲁棒表征来改进前列腺分割。为补偿不同 MRI 数据集的站点间异质性，我们在网络主干中开发域特定批归一化层，使网络能分别估计各站点的统计量并执行特征归一化。考虑到从多数据集中捕获共享知识的困难，提出一种新颖学习范式，即多站点引导知识迁移，以增强核函数从多站点数据中提取更具通用性的表征。在三个异质前列腺 MRI 数据集上的大量实验表明，我们的 MS-Net 在所有数据集上一致提升性能，并优于最先进的多站点学习方法。
引用
@article{arxiv.2002.03366,
title = {MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data},
author = {Quande Liu and Qi Dou and Lequan Yu and Pheng Ann Heng},
journal= {arXiv preprint arXiv:2002.03366},
year = {2020}
}
备注
IEEE TMI, 2020