深度网络中的谱分解用于动态医学图像分割
医学物理
2020-10-02 v1 人工智能
图像与视频处理
摘要
动态对比增强磁共振成像(DCE-MRI)是一种广泛使用的多期相技术，常规用于临床实践。DCE及类似的动态医学数据数据集往往包含空间和 temporal 分量上的冗余信息，这些信息可能与感兴趣目标的检测无关，并导致不必要的复杂计算机模型、长训练时间，且由于大量噪声异构数据在测试时表现不佳。本工作试图通过确定空间和谱分量中的冗余信息来提高深度网络的训练效能和性能，并表明分割精度的性能可以保持并潜在提升。所报告的实验包括对由儿科DCE患者腹部图像组成的异构数据集上的训练/测试效能评估，显示剧烈的数据缩减(高于80%)可保留动态信息和分割模型性能，同时有效抑制噪声和图像中不需要的部分。
引用
@article{arxiv.2010.00003,
title = {Spectral Decomposition in Deep Networks for Segmentation of Dynamic Medical Images},
author = {Edgar A. Rios Piedra and Morteza Mardani and Frank Ong and Ukash Nakarmi and Joseph Y. Cheng and Shreyas Vasanawala},
journal= {arXiv preprint arXiv:2010.00003},
year = {2020}
}