利用自集成病灶融合构建精确且可泛化的多发性硬化病灶分割模型
图像与视频处理
2023-12-05 v1 计算机视觉与模式识别
摘要
使用多对比度磁共振（MR）图像的自动多发性硬化（MS）病灶分割，相较于手动勾画提供了更高的效率和可重复性。当前最先进的自动 MS 病灶分割方法利用了改进的类 U-Net 架构。然而，在文献中，始终需要专门的架构修改来最大化其性能。此外，表现最佳的方法尚未被证明能够泛化到具有对比度变化和图像伪影的多样化测试数据集。在这项工作中，我们使用众所周知的 U-Net 架构开发了一个精确且可泛化的 MS 病灶分割模型，而无需进一步修改。提出了一种新颖的测试时自集成病灶融合策略，它不仅在使用 ISBI 2015 MS 分割挑战赛数据时取得了最佳性能，而且在各种自集成参数选择下也展现出稳健性。此外，配备了实例归一化而非文献中广泛使用的批归一化，在 ISBI 挑战赛数据上训练的模型在不同扫描仪的临床测试数据集上实现了良好的泛化。
引用
@article{arxiv.2312.01460,
title = {Towards an accurate and generalizable multiple sclerosis lesion segmentation model using self-ensembled lesion fusion},
author = {Jinwei Zhang and Lianrui Zuo and Blake E. Dewey and Samuel W. Remedios and Dzung L. Pham and Aaron Carass and Jerry L. Prince},
journal= {arXiv preprint arXiv:2312.01460},
year = {2023}
}