迈向可泛化的多发性硬化病灶分割模型
图像与视频处理
2024-10-28 v1 计算机视觉与模式识别
摘要
自动化多发性硬化（MS）病灶分割在初始诊断和监测疾病进展方面将大有裨益。基于深度学习的分割模型在许多领域表现良好，但 MS 病灶分割的现有技术水平仍然不够理想。以往专注于在单一评估数据集上优化性能的 MS 病灶分割挑战不同，本研究旨在开发能够跨不同评估数据集泛化的模型，以反映涉及不同扫描仪、设置和患者队列的真实世界临床场景。为此，我们使用了所有高质量的公开 MS 病灶分割数据集，并在其上系统训练了 SOTA 的 UNet++ 架构。由此产生的模型在其余测试数据集上表现出一致的性能（具有泛化能力），且更大、更异构的数据集产生了更好的模型。据我们所知，这是迄今为止使用公开数据集对 MS 病灶分割模型进行的最为全面的跨数据集评估。此外，通过合并数据集来显式增加数据集规模也提升了模型性能。具体而言，在合并的 MSSEG2016-train、ISBI2015 和 3D-MR-MS 数据集上训练的模型超越了 MICCAI-2016 竞赛的获胜者。此外，我们证明了我们模型的泛化能力也依赖于我们对 MRI 强度分位数归一化的原创性使用。
引用
@article{arxiv.2410.19623,
title = {Toward Generalizable Multiple Sclerosis Lesion Segmentation Models},
author = {Liviu Badea and Maria Popa},
journal= {arXiv preprint arXiv:2410.19623},
year = {2024}
}