SAN-Net: Learning Generalization to Unseen Sites for Stroke Lesion Segmentation with Self-Adaptive Normalization

要約

脳卒中は重要な脳血管疾患であるため、医用画像分野における磁気共鳴 (MR) 画像での自動脳卒中病変セグメンテーションにはかなりの関心があります。
このタスクのためにディープラーニングベースのモデルが提案されていますが、これらのモデルを目に見えないサイトに一般化することは、異なるスキャナー、イメージングプロトコル、および母集団間のサイト間の大きな不一致だけでなく、脳卒中病変の形状のバリエーションにも起因して困難です。
サイズ、場所。
この問題に取り組むために、SAN-Net と呼ばれる自己適応正規化ネットワークを導入して、脳卒中病変セグメンテーションの目に見えない部位での適応一般化を実現します。
従来の z スコア正規化と動的ネットワークに動機付けられて、マスクされた適応インスタンス正規化 (MAIN) を考案して、サイト間の不一致を最小限に抑えます。これは、入力からアフィン パラメーターを動的に学習することにより、異なるサイトからの入力 MR 画像をサイトに関係のないスタイルに標準化します。
;
\つまり、MAIN は強度値をアフィン変換できます。
次に、勾配反転レイヤーを活用して、U-net エンコーダーにサイト分類器を使用したサイト不変表現を強制的に学習させます。これにより、MAIN と組み合わせてモデルの一般化がさらに改善されます。
最後に、人間の脳の「疑似対称性」に着想を得て、対称性に着想を得たデータ拡張 (SIDA) と呼ばれるシンプルで効果的なデータ拡張手法を紹介します。
メモリ消費。
9 つの異なるサイトからの MR 画像を含む、脳卒中後の病変のベンチマークの解剖学的追跡 (ATLAS) v1.2 データセットに関する実験結果は、「1 つのサイトを残す」設定の下で、提案された SAN-Net が
量的指標と質的比較の点で、最近公開された方法よりも優れています。

要約(オリジナル)

There are considerable interests in automatic stroke lesion segmentation on magnetic resonance (MR) images in the medical imaging field, as stroke is an important cerebrovascular disease. Although deep learning-based models have been proposed for this task, generalizing these models to unseen sites is difficult due to not only the large inter-site discrepancy among different scanners, imaging protocols, and populations, but also the variations in stroke lesion shape, size, and location. To tackle this issue, we introduce a self-adaptive normalization network, termed SAN-Net, to achieve adaptive generalization on unseen sites for stroke lesion segmentation. Motivated by traditional z-score normalization and dynamic network, we devise a masked adaptive instance normalization (MAIN) to minimize inter-site discrepancies, which standardizes input MR images from different sites into a site-unrelated style by dynamically learning affine parameters from the input; \ie, MAIN can affinely transform the intensity values. Then, we leverage a gradient reversal layer to force the U-net encoder to learn site-invariant representation with a site classifier, which further improves the model generalization in conjunction with MAIN. Finally, inspired by the “pseudosymmetry” of the human brain, we introduce a simple yet effective data augmentation technique, termed symmetry-inspired data augmentation (SIDA), that can be embedded within SAN-Net to double the sample size while halving memory consumption. Experimental results on the benchmark Anatomical Tracings of Lesions After Stroke (ATLAS) v1.2 dataset, which includes MR images from 9 different sites, demonstrate that under the “leave-one-site-out” setting, the proposed SAN-Net outperforms recently published methods in terms of quantitative metrics and qualitative comparisons.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google