|
基于圖像合成的嬰幼兒腦磁共振圖像分割方法
王浩軒 2025/1/15 20:33:50
上海交通大學 上海閔行 200030
摘要：根據(jù)等強度期嬰兒腦 MRI 的組織特點，本文采用深度學習的方法來進行組織分割，并通過圖像合成與圖像變形方法擴充數(shù)據(jù)集，提升分割效果�；趫D像合成的嬰幼兒腦磁共振圖像分割方法的主要步驟有：數(shù)據(jù)的前處理、圖像合成、圖像變形、分割模型的訓練以及預測。
關鍵詞：圖像合成；腦磁共振；圖像分割
.....................
2.4 圖像變形
將真實數(shù)據(jù)與合成數(shù)據(jù)都進行圖像變形，以擴增其數(shù)量。
上述圖像合成的方法，因為需要手動標注作為輸入，來合成與此分割圖相對應的生成圖像，因此合成圖像要與分割圖像一一對應。這也導致合成圖像的擴充數(shù)量有限，最多只能擴充 1 倍。例如，5 例原始數(shù)據(jù)最多也只能生成 5 例合成數(shù)據(jù)，數(shù)據(jù)集擴增數(shù)量有限�？紤]到這樣的問題，可以采用圖像變形方法，人為微調某一部分組織結構 (在本任務中主要是大腦邊緣腦溝回附近組織) 的位置與形狀。因為微調方式的多樣性，該方法也可以對數(shù)據(jù)集在數(shù)量上進行多倍擴增。
2.5 圖像分割
在完成數(shù)據(jù)集的擴增后，下一步便是利用擴增數(shù)據(jù)集進行分割網(wǎng)絡的訓練。
本文采用 Fabian 等人[3] 提出的 nnU-Net 框架作為分割任務網(wǎng)絡框架。在使用深度學習方法對醫(yī)學圖像進行分割時，通常需要人為根據(jù)已有數(shù)據(jù)集的特點進行預處理、網(wǎng)絡結構設計、訓練相關超參數(shù)的設置。而這些工作一般都需要豐富的相關經(jīng)驗才能實現(xiàn)網(wǎng)絡性能的最優(yōu)化，以及在特定數(shù)據(jù)集上完成的前期配置工作很難有效轉移到另外的數(shù)據(jù)集上，這也給針對不同圖像分割任務的訓練帶來了麻煩。對此，nnU-Net 提供了一個針對醫(yī)學圖像分割任務自動進行配置的通用框架，可以根據(jù)不同的數(shù)據(jù)集的進行自適應預處理、網(wǎng)絡結構設計、訓練、推理 (包含后處理)。這在極大程度上避免了網(wǎng)絡訓練對于人為配置參數(shù)的過度依賴，因此本文也嘗試采用這一框架進行分割訓練。
參考文獻
[1] Park T, Liu M Y, Wang T C, et al. Semantic Image Synthesis With Spatially-Adaptive Normalization[C]. in: Proceedings of the IEEE/CVF Conference on Computer Vision and PatternRecognition (CVPR). 2019.
[2] Higgins I, Matthey L, Pal A, et al. Beta-VAE: Learning Basic Visual Concepts with a Con-strained Variational Framework[C]. in: ICLR.
[3] Isensee F, Jaeger P F, Kohl S, et al. NnU-Net: a self-configuring method for deep learning-based biomedical image segmentation[J]. Nature Methods,
附件下載：基于圖像合成的嬰幼兒腦磁共振圖像分割方法
|