面向端到端单模态 MRI 不平衡数据分割的平面 3D 迁移学习
计算机视觉与模式识别
2020-11-24 v1
摘要
我们提出一种基于将预训练 2D 卷积神经网络权重映射为平面 3D 核的 2D 到 3D 迁移学习新方法。该方法由所提出的平面 3D res-u-net 网络验证，其编码器迁移自 2D VGG-16，用于单阶段不平衡 3D 图像数据分割。特别地，我们在 MICCAI 2016 MS 病灶分割挑战数据集上评估该方法，仅使用液体衰减反转恢复（FLAIR）序列且不做脑提取进行训练和推理，以模拟真实医疗实践。在平面 3D res-u-net 网络中，处理原始 MRI 扫描的端到端方法中其灵敏度和 Dice 分数均最佳，并与最先进的单模态非端到端方法的 Dice 分数相当。完整源代码以开源许可发布，且本文符合机器学习可复现性检查清单。通过对 3D 数据表示实现实用的迁移学习，我们无需选择性采样即可分割高度不平衡数据，并在更少训练数据和单模态下取得更可靠结果。从医学角度看，单模态方法在真实实践中具有优势，因为它不需要配准或检查期间额外的扫描时间。尽管现代医学成像方法捕获适用于计算机辅助检测系统处理的高分辨率 3D 解剖扫描，但自动解释放射影像的系统部署在许多医学领域仍偏理论。我们的工作旨在通过为部分研究问题提供解决方案来弥合这一差距。
引用
@article{arxiv.2011.11557,
title = {Planar 3D Transfer Learning for End to End Unimodal MRI Unbalanced Data Segmentation},
author = {Martin Kolarik and Radim Burget and Carlos M. Travieso-Gonzalez and Jan Kocica},
journal= {arXiv preprint arXiv:2011.11557},
year = {2020}
}