面向稀疏儿科数据集的共享表示与对比正则化多任务多域深度分割
计算机视觉与模式识别
2022-02-03 v2
摘要
磁共振（MR）图像的自动分割在临床实践中对儿科肌肉骨骼系统的形态学评估至关重要。然而，由于标注儿科数据量有限，单一分割模型的精度与泛化性能受限。为此，我们提出在多任务与多域学习框架下，于源自解剖不同部位的多个数据集上训练分割模型。该方法可克服儿科数据固有的稀缺性，同时受益于更鲁棒的共享表示。所提分割网络包含共享卷积滤波器、计算各自数据集统计量的域特定批归一化参数，以及域特定分割层。此外，集成了有监督对比正则化，以通过在嵌入空间中促进域内相似度并施加域间间隔，进一步提升泛化能力。我们在踝与肩关节的两个儿科成像数据集上评估了我们的贡献，用于骨骼分割。结果表明所提模型优于 SOTA 方法。
引用
@article{arxiv.2105.10310,
title = {Multi-Task, Multi-Domain Deep Segmentation with Shared Representations and Contrastive Regularization for Sparse Pediatric Datasets},
author = {Arnaud Boutillon and Pierre-Henri Conze and Christelle Pons and Valérie Burdin and Bhushan Borotikar},
journal= {arXiv preprint arXiv:2105.10310},
year = {2022}
}
备注
11 pages, 4 figures, 2 tables, accepted at the 24th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI 2021)