SynthSeg：无需重新训练即可分割任意对比度与分辨率的脑 MRI 扫描
图像与视频处理
2023-03-01 v4 计算机视觉与模式识别
摘要
尽管在数据增强和迁移学习方面取得了进展，卷积神经网络（CNNs）仍难以泛化到未见过的域。在分割脑扫描时，CNNs 对分辨率和对比度的变化高度敏感：即使在同一 MRI 模态内，跨数据集的性能也可能下降。在此我们介绍 SynthSeg，首个对对比度和分辨率变化鲁棒的分割 CNN。SynthSeg 使用从以分割为条件的生成模型采样的合成数据进行训练。关键地，我们采用域随机化策略，完全随机化合成训练数据的对比度和分辨率。因此，SynthSeg 可以分割来自广泛目标域的真实扫描而无需重新训练或微调，从而能够对海量异构临床数据进行直接分析。由于 SynthSeg 仅需分割标签即可训练（无需图像），它可以从自动化方法在多样人群（例如衰老与患病）上获得的标签中学习，从而实现对广泛形态变异的鲁棒性。我们在 5,000 张六种模态（包括 CT）和十种分辨率的扫描上展示了 SynthSeg，其与有监督 CNNs、最先进（state-of-the-art）域适应和贝叶斯分割相比表现出无与伦比的泛化能力。最后，我们通过将 SynthSeg 应用于心脏 MRI 和 CT 扫描来展示其泛化性。
引用
@article{arxiv.2107.09559,
title = {SynthSeg: Segmentation of brain MRI scans of any contrast and resolution without retraining},
author = {Benjamin Billot and Douglas N. Greve and Oula Puonti and Axel Thielscher and Koen Van Leemput and Bruce Fischl and Adrian V. Dalca and Juan Eugenio Iglesias},
journal= {arXiv preprint arXiv:2107.09559},
year = {2023}
}