面向新生儿的 VINNA——通过隐空间增强实现朝向无关性
计算机视觉与模式识别
2023-11-30 v1
摘要
快速且准确的新生儿脑图像分割对于更好地理解和检测发育与疾病过程中的变化具有高度需求。然而,真实标注数据集的有限可用性、缺乏标准化采集协议以及头部定位的广泛差异给方法开发带来了挑战。现有少数用于新生儿脑 MRI 分割的自动化图像分析流程通常依赖于耗时的程序,并需要重采样到统一分辨率,因插值和降采样而导致信息丢失。在不进行配准和图像重采样的情况下,必须另寻途径来处理头部位置和体素分辨率的差异。在深度学习中,传统上采用外部增强来人为扩充空间可变性的表征,从而增加训练数据集规模并提升鲁棒性。然而,图像空间中的这些变换仍需要重采样,尤其在标签插值情形下会降低精度。我们近期提出了基于体素尺寸无关神经网络框架(VINN)的分辨率无关概念。在此,我们扩展该概念,通过引入一个四自由度(4-DOF)变换模块将所有刚性变换移入网络架构中,从而实现分辨率感知的内部增强(VINNA)。本工作中我们表明,VINNA(i)显著优于最先进的外部增强方法,(ii)有效解决了新生儿数据集中特有的头部差异问题,以及(iii)在一系列分辨率(0.5–1.0 mm)下保持高分割精度。该 4-DOF 变换模块是一种无需图像或标签插值即可实现空间增强的强大通用方法。针对新生儿的具体网络应用将以 VINNA4neonates 形式公开提供。
引用
@article{arxiv.2311.17546,
title = {VINNA for Neonates -- Orientation Independence through Latent Augmentations},
author = {Leonie Henschel and David Kügler and Lilla Zöllei and Martin Reuter},
journal= {arXiv preprint arXiv:2311.17546},
year = {2023}
}
备注
Under Review at Imaging Neuroscience