|
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(xué) 上海閔行 200030
摘要：根據(jù)等強(qiáng)度期嬰兒腦 MRI 的組織特點(diǎn)，本文采用深度學(xué)習(xí)的方法來進(jìn)行組織分割，并通過圖像合成與圖像變形方法擴(kuò)充數(shù)據(jù)集，提升分割效果。基于圖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(xùn)練以及預(yù)測。
關(guān)鍵詞：圖像合成；腦磁共振；圖像分割
.....................
2.4 圖像變形
將真實(shí)數(shù)據(jù)與合成數(shù)據(jù)都進(jìn)行圖像變形，以擴(kuò)增其數(shù)量。
上述圖像合成的方法，因?yàn)樾枰謩訕?biāo)注作為輸入，來合成與此分割圖相對應(yīng)的生成圖像，因此合成圖像要與分割圖像一一對應(yīng)。這也導(dǎo)致合成圖像的擴(kuò)充數(shù)量有限，最多只能擴(kuò)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(kuò)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(diào)某一部分組織結(jié)構(gòu) (在本任務(wù)中主要是大腦邊緣腦溝回附近組織) 的位置與形狀。因?yàn)槲⒄{(diào)方式的多樣性，該方法也可以對數(shù)據(jù)集在數(shù)量上進(jìn)行多倍擴(kuò)增。
2.5 圖像分割
在完成數(shù)據(jù)集的擴(kuò)增后，下一步便是利用擴(kuò)增數(shù)據(jù)集進(jìn)行分割網(wǎng)絡(luò)的訓(xùn)練。
本文采用 Fabian 等人[3] 提出的 nnU-Net 框架作為分割任務(wù)網(wǎng)絡(luò)框架。在使用深度學(xué)習(xí)方法對醫(yī)學(xué)圖像進(jìn)行分割時，通常需要人為根據(jù)已有數(shù)據(jù)集的特點(diǎn)進(jìn)行預(yù)處理、網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)、訓(xùn)練相關(guān)超參數(shù)的設(shè)置。而這些工作一般都需要豐富的相關(guān)經(jīng)驗(yàn)才能實(shí)現(xiàn)網(wǎng)絡(luò)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(zhuǎn)移到另外的數(shù)據(jù)集上，這也給針對不同圖像分割任務(wù)的訓(xùn)練帶來了麻煩。對此，nnU-Net 提供了一個針對醫(yī)學(xué)圖像分割任務(wù)自動進(jìn)行配置的通用框架，可以根據(jù)不同的數(shù)據(jù)集的進(jìn)行自適應(yīng)預(yù)處理、網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)、訓(xùn)練、推理 (包含后處理)。這在極大程度上避免了網(wǎng)絡(luò)訓(xùn)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(jìn)行分割訓(xùn)練。
參考文獻(xiàn)
[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
|