基于卷积神经网络的多发性硬化病灶分割中的单次域适应
计算机视觉与模式识别
2018-06-01 v1
摘要
近年来，由于与其他最先进方法相比具有优越性能，已提出多种卷积神经网络（CNN）方法用于多发性硬化（MS）患者图像的自动化白质病灶分割。然而，当在与训练所用不同的图像域上评估时，CNN方法的精度往往显著下降，这显示出CNN对未见成像数据缺乏适应性。在本研究中，我们分析了强度域适应对我们最近提出的基于CNN的MS病灶分割方法的影响。给定一个在两个公共MS数据集上训练好的源模型，我们研究了CNN模型应用于其他MRI扫描仪和协议时的可迁移性，评估了从新域所需的最少标注图像数量以及为获得可比精度所需重新训练的最少层数。我们的分析包含来自临床中心和公共ISBI2015挑战数据库的MS患者数据，这使我们能够将模型的域适应能力与其他最先进方法进行比较。对于ISBI2015挑战，我们仅使用单张图像训练的单次域适应模型表现出与其他使用整个可用训练集充分训练的CNN方法相似的性能，取得了可与人类专家评分者相比的表现。我们相信我们的实验将鼓励MS学界在减少标注数据量的不同临床环境中加以应用。该方法不仅就描绘MS病灶的准确性而言有意义，也意味着手动病灶标注所衍生的时间和经济效益的降低。
引用
@article{arxiv.1805.12415,
title = {One-shot domain adaptation in multiple sclerosis lesion segmentation using convolutional neural networks},
author = {Sergi Valverde and Mostafa Salem and Mariano Cabezas and Deborah Pareto and Joan C. Vilanova and Lluís Ramió-Torrentà and Àlex Rovira and Joaquim Salvi and Arnau Oliver and Xavier Lladó},
journal= {arXiv preprint arXiv:1805.12415},
year = {2018}
}