提高MRI填充准确性的后处理方法
计算机视觉与模式识别
2026-04-14 v2 人工智能
机器学习
摘要
磁共挔成像(MRI)是用于脑部病变诊断、评估和治疗计划策划的主要成像模态。然而，大多数自动化MRI分析工具，如分割和配准管道，针对的是健康解剖结构优化，往往在面对大范围病灶如肿瘤时会失败。为克服这一问题，图像填充技术旨在合成肿瘤区域附近的健康脑组织，以实现通用工具的可靠应用。本文系统评估了最新的填充模型，观察到其独立性能存在饱和。应对此情况，我们引入一种结合模型集成与高效后处理策略（如中值滤波、直方图匹配和像素平均）的方法。进一步的解剖细化通过轻量级U-Net增强阶段实现。全面评估表明，我们提出的管道提高了填充区域的解剖合理性和视觉保真度，实现了更高的准确性和更稳健的效果，优于单个基线模型。通过将 established 模型与针对性的后处理相结合，我们实现了更好的且更易于部署的填充结果，支持更广泛的临床应用和可持续、注重资源的研究。我们的2025年BraTS填充docker已可在https://hub.docker.com/layers/aparida12/brats2025/inpt.上获取。
引用
@article{arxiv.2510.15282,
title = {Post-Processing Methods for Improving Accuracy in MRI Inpainting},
author = {Nishad Kulkarni and Krithika Iyer and Austin Tapp and Abhijeet Parida and Daniel Capellán-Martín and Zhifan Jiang and María J. Ledesma-Carbayo and Syed Muhammad Anwar and Marius George Linguraru},
journal= {arXiv preprint arXiv:2510.15282},
year = {2026}
}