用于贝叶斯脑 MRI 分割的无监督深度学习
计算机视觉与模式识别
2019-07-24 v2 图像与视频处理
摘要
概率图谱先验常被用于推导自适应且鲁棒的脑 MRI 分割算法。广泛使用的神经影像分析流程严重依赖这些技术，而这些技术通常计算代价高昂。相比之下，近期出现了大量利用深度学习实现在测试时计算高效的分割工具的方法。然而，多数此类策略依赖于从人工标注图像中学习。这些有监督深度学习方法因此对训练数据集中的强度分布敏感。要为新的图像数据集（例如不同对比度）开发基于深度学习的分割模型，通常需要创建一个新的标注训练数据集，这可能昂贵得令人却步，或者依赖次优的临时适配或增强方法。本文中，我们提出了一种将传统基于概率图谱的分割与深度学习相结合的替代策略，使得人们能够为新的 MRI 扫描训练分割模型而无需任何人工分割图像。我们的实验包含数千张脑 MRI 扫描，并表明所提方法针对不同 MRI 对比度的脑 MRI 分割任务取得了良好精度，在 GPU 上测试时仅需约 15 秒。代码可在 http://voxelmorph.mit.edu 免费获取。
引用
@article{arxiv.1904.11319,
title = {Unsupervised Deep Learning for Bayesian Brain MRI Segmentation},
author = {Adrian V. Dalca and Evan Yu and Polina Golland and Bruce Fischl and Mert R. Sabuncu and Juan Eugenio Iglesias},
journal= {arXiv preprint arXiv:1904.11319},
year = {2019}
}
备注
MICCAI 2019