基于ROI一致性的半监督胎儿脑MRI质量评估学习
图像与视频处理
2020-06-24 v1 计算机视觉与模式识别
摘要
胎儿脑 MRI 可用于诊断脑异常，但受胎儿运动影响。当前 T2 加权胎儿脑 MRI 协议对运动不够鲁棒，因此图像体数据会因层间和层内运动伪影而退化。此外，胎儿 MR 图像质量评估的人工标注通常耗时费力。因此，本工作提出一种半监督深度学习方法，用于在脑体数据扫描过程中检测带有伪影的切片。我们的方法基于 mean teacher 模型，不仅在整个图像上强制学生模型与教师模型之间的一致性，还采用 ROI 一致性损失引导网络关注脑区域。所提方法在一个包含 11,223 张标注图像和超过 200,000 张未标注图像的胎儿脑 MR 数据集上进行评估。结果表明，与监督学习相比，所提方法可将模型准确率提升约 6%，并优于其他最先进的半监督学习方法。该方法还在 MR 扫描仪上实现并评估，证明了在胎儿 MR 扫描期间进行在线图像质量评估与图像重采集的可行性。
引用
@article{arxiv.2006.12704,
title = {Semi-Supervised Learning for Fetal Brain MRI Quality Assessment with ROI consistency},
author = {Junshen Xu and Sayeri Lala and Borjan Gagoski and Esra Abaci Turk and P. Ellen Grant and Polina Golland and Elfar Adalsteinsson},
journal= {arXiv preprint arXiv:2006.12704},
year = {2020}
}