机构名称：
¥ 1.0
大多数数据驱动方法都很容易受到数据变化的影响。当将深度学习 (DL) 应用于脑磁共振成像 (MRI) 时，这个问题尤其明显，因为脑磁共振成像的强度和对比度会因采集协议、扫描仪和中心特定因素而变化。大多数公开的脑磁共振数据集来自同一中心，在扫描仪和使用的协议方面是同质的。因此，设计出可以推广到多扫描仪和多中心数据的稳健方法对于将这些技术转移到临床实践中至关重要。我们提出了一种基于高斯混合模型 (GMM-DA) 的新型数据增强方法，目的是增加给定数据集在强度和对比度方面的可变性。该方法允许增强训练数据集，使训练集中的可变性与现实世界临床数据中看到的可变性相媲美，同时保留解剖信息。我们比较了最先进的 U-Net 模型在添加和不添加 GMM-DA 的情况下对脑结构进行分割训练的性能。这些模型在单扫描仪和多扫描仪数据集上进行训练和评估。此外，我们验证了同一患者图像（相同和不同扫描仪）的重测结果的一致性。最后，我们研究了偏差场的存在如何影响使用 GMM-DA 训练的模型的性能。我们发现，即使训练集已经是多扫描仪，添加 GMM-DA 也可以提高 DL 模型对训练数据中不存在的其他扫描仪的泛化能力。此外，同一患者分割预测之间的一致性得到了改善，无论是同一扫描仪重复还是不同扫描仪重复。我们得出结论，GMM-DA 可以提高 DL 模型在临床场景中的可转移性。
一种用于改善多重对比度增强方法......
主要关键词
相关文件推荐
