关于归一化方案对自动 MR 图像诊断中输入分布偏移的敏感性与鲁棒性
图像与视频处理
2023-06-26 v1 计算机视觉与模式识别
机器学习
摘要
磁共振成像（MRI）因 MRI 流水线重建图像所展现的优异软组织对比而被视作医学成像的金标准，这也使放射科医生能轻易辨别诸多病症。近来，深度学习（DL）模型使用这些重建图像作为输入，在诊断多种疾病上也取得了最先进的性能。然而，MRI 流水线内的图像重建过程需使用复杂硬件并调节大量扫描参数，极易受多种形式噪声影响，导致图像中出现任意伪影。此外，噪声分布非平稳，在机器内、跨机器及患者间均会变化，致使图像中伪影各异。遗憾的是，DL 模型对这些变化伪影相当敏感，因其导致训练与测试阶段输入数据分布改变。这些模型对变化伪影缺乏鲁棒性，阻碍了其在对安全性要求严苛的医疗应用中的使用。本工作中，我们聚焦于提升这些模型在因 MR 数据采集复杂性而出现的多种变化伪影下的泛化性能。实验中，我们观察到在医学图像分析 DL 模型训练中广泛使用的批归一化是这些多变环境中性能下降的重要原因。作为解决方案，我们提议使用其他归一化技术，如组归一化与层归一化（LN），以向模型性能中注入对变化图像伪影的鲁棒性。通过一套系统性实验，我们表明 GN 与 LN 针对各类 MR 伪影与分布偏移提供了更好的准确率。
引用
@article{arxiv.2306.13276,
title = {On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis},
author = {Divyam Madaan and Daniel Sodickson and Kyunghyun Cho and Sumit Chopra},
journal= {arXiv preprint arXiv:2306.13276},
year = {2023}
}
备注
Accepted at MIDL 2023