面向缺失模态分割的鲁棒散度学习
图像与视频处理
2024-11-14 v1 计算机视觉与模式识别
摘要
多模态磁共振成像（MRI）为分析脑肿瘤子区域提供了必要的互补信息。虽然使用四种常见MRI模态进行自动分割的方法已取得成功，但它们常常因图像质量问题、不一致的协议、过敏反应或成本因素而面临模态缺失的挑战。因此，开发一种能够处理缺失模态的分割范式具有临床价值。我们引入了一种基于Hölder散度和互信息的新型单模态并行处理网络框架。每种模态独立输入到共享的网络主干中进行并行处理，以保留独特信息。此外，还引入了一个动态共享框架，该框架根据模态的可用性调整网络参数。基于Hölder散度和互信息的损失函数被用于评估预测与标签之间的差异。在BraTS 2018和BraTS 2020数据集上的广泛测试表明，我们的方法在处理缺失模态方面优于现有技术，并验证了每个组件的有效性。
引用
@article{arxiv.2411.08305,
title = {Robust Divergence Learning for Missing-Modality Segmentation},
author = {Runze Cheng and Zhongao Sun and Ye Zhang and Chun Li},
journal= {arXiv preprint arXiv:2411.08305},
year = {2024}
}