|
基于图像合成的婴幼儿脑磁共振图像分割方法
王浩轩 2025/1/15 20:33:50
上海交通大学 上海闵行 200030
摘要：根据等强度期婴儿脑 MRI 的组织特点，本文采用深度学习的方法来进行组织分割，并通过图像合成与图像变形方法扩充数据集，提升分割效果。基于图像合成的婴幼儿脑磁共振图像分割方法的主要步骤有：数据的前处理、图像合成、图像变形、分割模型的训练以及预测。
关键词：图像合成；脑磁共振；图像分割
.....................
2.4 图像变形
将真实数据与合成数据都进行图像变形，以扩增其数量。
上述图像合成的方法，因为需要手动标注作为输入，来合成与此分割图相对应的生成图像，因此合成图像要与分割图像一一对应。这也导致合成图像的扩充数量有限，最多只能扩充 1 倍。例如，5 例原始数据最多也只能生成 5 例合成数据，数据集扩增数量有限。考虑到这样的问题，可以采用图像变形方法，人为微调某一部分组织结构 (在本任务中主要是大脑边缘脑沟回附近组织) 的位置与形状。因为微调方式的多样性，该方法也可以对数据集在数量上进行多倍扩增。
2.5 图像分割
在完成数据集的扩增后，下一步便是利用扩增数据集进行分割网络的训练。
本文采用 Fabian 等人[3] 提出的 nnU-Net 框架作为分割任务网络框架。在使用深度学习方法对医学图像进行分割时，通常需要人为根据已有数据集的特点进行预处理、网络结构设计、训练相关超参数的设置。而这些工作一般都需要丰富的相关经验才能实现网络性能的最优化，以及在特定数据集上完成的前期配置工作很难有效转移到另外的数据集上，这也给针对不同图像分割任务的训练带来了麻烦。对此，nnU-Net 提供了一个针对医学图像分割任务自动进行配置的通用框架，可以根据不同的数据集的进行自适应预处理、网络结构设计、训练、推理 (包含后处理)。这在极大程度上避免了网络训练对于人为配置参数的过度依赖，因此本文也尝试采用这一框架进行分割训练。
参考文献
[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,
附件下载：基于图像合成的婴幼儿脑磁共振图像分割方法
|