基于学习转换的一次性医学图像分割中的数据扩增( 三 ) 摘要图像分割是许多医学应用

3.2 学习方法
文章插图
文章插图
文章插图
3.3 结合新的样本
文章插图
3.4 分割网络
新合成的实例对于提高监督分割网络的性能是有用的。本文使用基于[66]中描述的最先进体系结构的网络来演示这一点。为了解释 GPU 内存限制，网络被设计成一次分割一个切片。本文从扩增训练集中随机切片上训练网络。本文使用在验证集上的早期停止来选择训练历元的数量。本文强调精确分割网络体系结构不是这项工作的重点，因为本文的方法可以与任何监督分割网络一起使用。
3.5 执行情况
本文实现了所有使用 Keras[12]和 Tensorflow[1]模型。空间变换对图像的应用是使用可微的 3D 空间转换层[8]实现的；使用最近邻插值的类似层用于变换分割映射。简单起见，本文使用两个相同的神经网络捕获 3.1 节中描述的正、逆空间变换。对于外观变换模型，本文使用超参数
文章插图
。本文用单对卷积训练本文的变换模型，并训练大小为 16 片的分割模型。所有模型的训练学习率为 5e-4 。
4.实验
本文可以证明本文的自动扩增方法可以用来改善脑 MRI 的分割。本文的重点是一次分割未归一化扫描——一个具有挑战性但实用的场景。强度归一化方法，如偏置场校正[27,71,74] ，在实际情况下可能效果不佳（例如，临床质量扫描，或中风扫描[73]或创伤性脑损伤扫描）。
4.1 数据本文使用[8]中公开的数据集 T1 加权 MRI 脑扫描描述。扫描图是从八个数据库汇编的：ADNI[54]、OASIS[46]、ABIDE[48]、ADHD200[49]、MCIC[30]、PPMI[47]、HABS[19]和 Harvard GSP[33]；分割标签是使用 FreeSurfer[27]计算的。与[8]一样，本文用 1mm 各向同性体素将大脑重采样到 256×256×256 ，并对齐裁剪图像到 160×192×224 。本文不使用任何强度校正，本文通过无解剖标签的方法进行颅骨剥离。为了评估，本文使用[8]中描述的 30 个解剖标签的分割图。
本文专注于使用单个标记样本进行分割的任务。本文随机选择 101 个可应用于训练的大脑扫描图。在实践中，图谱通常被选择为接近种群的解剖平均值。本文选择最相似的训练例子，以[8]中的解剖进行平均计算。这个图谱是用来训练本文的变换模型的单一标记的例子；其他 100 个训练大脑的分割标签没有使用。本文使用额外的 50 次扫描作为验证集，另外 100 次扫描作为暂停测试集。
4.2 分割基线
文章插图
使用单 atlas 分割的数据扩增(SAS-aug)：本文使用 SAS 结果作为未注释的训练大脑的标签，然后本文将其作为监督分割的训练样本。这为分段训练集增加了 100 个新的训练样本。
手调随机数据扩增(Rand-Aug)：与[51,63,64]类似，本文通过在稀疏网格上采样随机向量来创建随机光滑变形场，然后应用双线性插值和空间模糊。本文评估了变形场的振幅和光滑性的几个设置，包括[63]中描述的设置，并选择了在验证集上产生最佳分割性能的设置。类似于[35,40] ，本文使用从范围[0.5 ， 1.5]均匀采样的全局强度乘性因子合成成像强度的变化。本文选择的范围，以匹配强度变化在数据集；这是代表在实践中如何调整扩增参数。这种扩增方法在每次训练迭代中合成一个新的随机转换的大脑。
监督：本文训练了一个完全监督的分割网络，在本文的训练数据集中，所有 101 个例子都使用地面真相标签。除了 atlas 标签，这些标签不适用于任何其他方法。此方法作为上界。
表 1：在 Dice 评分[23]方面的分割性能，在 100 次扫描的持久测试集上进行评估。本文报告了所有 30 个解剖标签和 100 名测试对象的平均 Dice 评分(和括号中的标准差。本文还报告了每种方法在 SAS 基线上的平均成对改进。
方法骰子得分配对骰子改进SAS0.759 (0.137)-SAS-aug0.775 (0.147)0.016(0.041)兰德-奥格0.765 (0.143)0.006 (0.088)本文的-耦合0.795 (0.133)0.036 (0.036)本文的帐0.804 (0.130)0.045 (0.038)本文+兰德-奥格0.815 (0.123)0.056 (0.044)监督（上限）0.849 (0.092)0.089 (0.072)
4.3 方法的实体
文章插图