当弱标注变为强标注：脑 MRI 扫描中白质高信号体积的鲁棒量化
图像与视频处理
2020-04-14 v1 计算机视觉与模式识别
摘要
为测量特定图像结构的体积，一种典型方法是首先使用在体素级（强）标签上训练的神经网络分割这些结构，随后从分割结果中计算体积。一种更直接的方法是利用基于回归的神经网络方法，在指示体积的图像级（弱）标签上训练，直接预测体积。在本文中，我们比较了用弱标签和强标签优化的网络，并研究了它们对其他数据集的泛化能力。我们以脑 MRI 扫描中的白质高信号（WMH）体积预测为例进行实验。神经网络在大型本地数据集上训练，并在四个独立的公共数据集上评估其性能。我们表明，仅使用反映 WMH 体积的弱标签优化的网络，比使用 WMH 体素级分割优化的网络在 WMH 体积预测上泛化更好。用弱标签训练的网络其注意力图似乎并未勾画出 WMH，而是突出了 WMH 周围或附近具有平滑轮廓的区域。通过校正可能的混杂因素，我们表明在弱标签上训练的网络可能学到了其他更有意义的特征，这些特征更适用于对未见过数据的泛化。我们的结果表明，对于可从分割推导出的影像学生物标志物，直接训练网络预测该标志物可能比求解中间的分割步骤提供更鲁棒的结果。
引用
@article{arxiv.2004.05578,
title = {When Weak Becomes Strong: Robust Quantification of White Matter Hyperintensities in Brain MRI scans},
author = {Oliver Werner and Kimberlin M. H. van Wijnen and Wiro J. Niessen and Marius de Groot and Meike W. Vernooij and Florian Dubost and Marleen de Bruijne},
journal= {arXiv preprint arXiv:2004.05578},
year = {2020}
}
备注
11 pages, 3 figures