用于 MRI 域适应的迁移学习：在脑病灶分割中的应用
计算机视觉与模式识别
2018-01-17 v1
摘要
磁共振成像（MRI）广泛应用于常规临床诊断与治疗。然而，MRI 采集协议的差异会导致图像中正常与病变组织呈现不同的外观。卷积神经网络（CNN）在许多医学图像分析任务中表现出色，但通常对成像协议的差异较为敏感。因此，在许多情况下，使用一种 MRI 协议采集的数据训练的网络，在采用不同协议采集的数据上表现不佳。这限制了在大型已标注遗留数据集上训练的模型在不同域的新数据集上的使用，而这种情况在临床环境中经常出现。在本研究中，我们旨在回答有关医学图像分析中域适应的以下核心问题：给定一个已拟合的遗留模型，1) 原始网络需要多少来自新域的数据才能实现良好的适应？；以及，2) 给定一定数量的新域训练样本，应重新训练预训练模型的哪一部分参数？为了解决这些问题，我们在白质高信号分割任务中进行了广泛的实验。我们在遗留脑部 MR 图像上训练了一个 CNN，并使用来自不同域的图像评估了域适应网络在同一任务上的性能。然后，我们将该模型的性能与替代方案进行了比较，即在相同训练网络上进行测试或在新数据集上从头训练一个新网络。仅通过两个训练样本微调的域适应网络达到了 0.63 的 Dice 分数，显著优于在相同样本集上从头训练的类似网络。
引用
@article{arxiv.1702.07841,
title = {Transfer Learning for Domain Adaptation in MRI: Application in Brain Lesion Segmentation},
author = {Mohsen Ghafoorian and Alireza Mehrtash and Tina Kapur and Nico Karssemeijer and Elena Marchiori and Mehran Pesteie and Charles R. G. Guttmann and Frank-Erik de Leeuw and Clare M. Tempany and Bram van Ginneken and Andriy Fedorov and Purang Abolmaesumi and Bram Platel and William M. Wells},
journal= {arXiv preprint arXiv:1702.07841},
year = {2018}
}
备注
8 pages, 3 figures