心脏 MRI 中语义分割在域偏移下的鲁棒性研究
图像与视频处理
2020-11-17 v1 计算机视觉与模式识别
摘要
心脏磁共振成像（cMRI）是许多心脏相关疾病诊断的重要组成部分。近来，深度神经网络已展现出成功的自动分割能力，从而减轻了心脏结构耗时的手动勾画负担。此外，诸如 nnU-Net 之类的框架提供对未知数据集的完全自动模型配置，使得即使非专家也能开箱即用。然而，当前研究通常忽视临床现实场景，即训练好的网络被应用于来自不同域的数据，例如不同的扫描仪或成像协议。这可能导致深度学习模型在实际应用中的性能出现意外下降。在本工作中，我们系统地研究了跨多个临床中心和扫描仪厂商图像的域迁移所面临的挑战与机遇。为保持开箱即用性，我们基于由 nnU-Net 框架配置的固定 U-Net 架构，以探究各种数据增强技术与批归一化层作为易于定制的流水线组件，并提供关于如何提升现有深度学习方法中域泛化能力的通用准则。我们提出的方法在多中心、多厂商与多疾病心脏图像分割挑战赛（M&Ms）中排名第一。
引用
@article{arxiv.2011.07592,
title = {Studying Robustness of Semantic Segmentation under Domain Shift in cardiac MRI},
author = {Peter M. Full and Fabian Isensee and Paul F. Jäger and Klaus Maier-Hein},
journal= {arXiv preprint arXiv:2011.07592},
year = {2020}
}
备注
12 pages, 3 Figures, Contribution to the STACOM Workshop at MICCAI 2020