基于 CycleGAN 的无监督域自适应用于多中心 MR 图像中白质高信号分割
图像与视频处理
2020-09-11 v1 计算机视觉与模式识别
机器学习
摘要
磁共振图像中白质高信号的自动分割具有至关重要的临床和研究意义。这些病灶的定量可作为卒中、痴呆和死亡风险的预测因子。近年来，专为生物医学图像分割设计的卷积神经网络（CNN）在该任务上超越了以往所有技术。然而，它们极度依赖数据，仅当训练与测试数据集间的数据分布不变时才能保持良好性能。当此类分布发生变化而仍执行同一任务时，我们面临域自适应问题（例如使用不同的 MR 机器或不同的采集参数训练和测试数据）。在本工作中，我们探索使用循环一致对抗网络（CycleGAN）对含脑病灶的多中心 MR 图像进行无监督域自适应。我们旨在学习一个映射函数，在不同域间转换体积 MR 图像，这些域由不同医疗中心及不同品牌、型号和配置参数的 MR 机器表征。我们的实验表明，CycleGAN 使我们能够减小 MR 域间的 Jensen-Shannon 散度，从而在未提供标注数据的域上实现基于 CNN 模型的自动分割。
引用
@article{arxiv.2009.04985,
title = {Unsupervised Domain Adaptation via CycleGAN for White Matter Hyperintensity Segmentation in Multicenter MR Images},
author = {Julian Alberto Palladino and Diego Fernandez Slezak and Enzo Ferrante},
journal= {arXiv preprint arXiv:2009.04985},
year = {2020}
}
备注
Accepted for publication in the International Seminar on Medical Information Processing and Analysis (SIPAIM 2020)