Can a single image processing algorithm work equally well across all phases of DCE-MRI?

要約

画像のセグメンテーションと位置合わせは、動的造影 MRI シーケンス (DCE-MRI) に適用すると困難になると言われています。
造影剤は関心領域やその他の場所で強度の急速な変化を引き起こし、セグメンテーション タスクの誤検知を引き起こし、画像レジストレーション類似性メトリックを混乱させる可能性があります。
コントラストの変更によりこれらのタスクの難易度が上がると広く考えられていますが、私たちの知る限り、これらの効果を定量化した研究はありません。
この論文では、nnU-Net と Mask R-CNN を使用したセグメンテーションと、VoxelMorph と VTN を使用したレジストレーションという 2 つの一般的なタスクに対する、さまざまな比率のコントラスト強調 (CE) データを使用したトレーニングの効果を検証します。
私たちは、さまざまなデータ分割による事前トレーニングと微調整を通じて、利用可能なデータセットを戦略的に使用することでさらに実験を続けました。
一般化可能なモデルを作成するには、CE データで事前トレーニングし、非 CE データで微調整すると最良の結果が得られることがわかりました。
この興味深い発見は、DCE-MRI を使用した他の深層学習ベースの画像処理タスクに拡張でき、モデルのパフォーマンスが大幅に向上する可能性があります。

要約(オリジナル)

Image segmentation and registration are said to be challenging when applied to dynamic contrast enhanced MRI sequences (DCE-MRI). The contrast agent causes rapid changes in intensity in the region of interest and elsewhere, which can lead to false positive predictions for segmentation tasks and confound the image registration similarity metric. While it is widely assumed that contrast changes increase the difficulty of these tasks, to our knowledge no work has quantified these effects. In this paper we examine the effect of training with different ratios of contrast enhanced (CE) data on two popular tasks: segmentation with nnU-Net and Mask R-CNN and registration using VoxelMorph and VTN. We experimented further by strategically using the available datasets through pretraining and fine tuning with different splits of data. We found that to create a generalisable model, pretraining with CE data and fine tuning with non-CE data gave the best result. This interesting find could be expanded to other deep learning based image processing tasks with DCE-MRI and provide significant improvements to the models performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google