SegHeD+：结合解剖约束与病灶感知数据增强的多发性硬化病灶异构数据分割
计算机视觉与模式识别
2024-12-17 v1 机器学习
摘要
在脑部磁共振（MR）图像中评估病灶并追踪其随时间的演变，对于多发性硬化（MS）的诊断和监测至关重要。机器学习模型在自动化分割 MS 病灶方面展现出潜力。然而，训练这些模型通常需要大量标注良好的数据集。遗憾的是，MS 影像数据集通常规模有限，分散在多个医院站点，并呈现出不同的格式（如横截面或纵向）和标注风格。这种数据多样性为开发统一的 MS 病灶分割模型带来了重大障碍。为了解决这一问题，我们提出了 SegHeD+，一种能够处理多种数据集和任务的新型分割模型，可适应异构输入数据，并对所有病灶、新发病灶和消失病灶进行分割。我们将有关 MS 病灶的领域知识整合到分割模型中，引入了纵向、解剖学和体积约束。此外，我们进行了病灶级数据增强以扩充训练集，进一步提升分割性能。SegHeD+ 在五个 MS 数据集上进行了评估，在分割所有病灶、新发病灶和消失病灶方面展现出优越性能，超越了该领域多种 SOTA 方法。
引用
@article{arxiv.2412.10946,
title = {SegHeD+: Segmentation of Heterogeneous Data for Multiple Sclerosis Lesions with Anatomical Constraints and Lesion-aware Augmentation},
author = {Berke Doga Basaran and Paul M. Matthews and Wenjia Bai},
journal= {arXiv preprint arXiv:2412.10946},
year = {2024}
}
备注
20 pages, 6 figures, 6 tables