用于深度学习颅骨剥离数据增强的银标准掩膜
图像与视频处理
2017-10-24 v1
摘要
卷积神经网络（CNN）在医学成像中的瓶颈在于训练所需的标注数据数量。人工分割被视为“金标准”。然而，由于人工专家分割耗时且昂贵，具备专家人工分割的医学影像数据集十分稀缺。本文提出将我们称为银标准掩膜的方法用于基于深度学习的颅骨剥离（亦称脑提取）中的数据增强。我们使用共识算法“同时真值与性能水平估计”（STAPLE）生成银标准掩膜。我们评估了由银标准和金标准掩膜生成的CNN模型。随后，我们在一个数据集中验证了银标准掩膜用于CNN训练的有效性，并展示了其向另外两个数据集的泛化能力。我们的结果表明，使用银标准掩膜生成的模型与使用金标准掩膜生成的模型性能相当，且具有更好的泛化性。此外，我们的结果还表明，银标准掩膜可用于在训练阶段增强输入数据集，从而减少此步骤对人工分割的需求。
引用
@article{arxiv.1710.08354,
title = {Silver Standard Masks for Data Augmentation Applied to Deep-Learning-Based Skull-Stripping},
author = {Oeslle Lucena and Roberto Souza and Letícia Rittner and Richard Frayne and Roberto Lotufo},
journal= {arXiv preprint arXiv:1710.08354},
year = {2017}
}