使用AdaBN和AdaIN进行域调整,用于从临床MRI中高分辨率的IVD网状重建
Sai Natarajan1,2, Ludovic Humbert3,4, Miguel A González Ballester5,6
1Galgo Medical S.L., Barcelona, Spain. sai.natarajan@3d-shaper.com.
概括
这项研究介绍了MRI2Mesh,这是一种用于从低分辨率MRI中重建高分辨率椎间盘网格的深度学习模型. 像自适应批量规范化 (AdaBN) 这样的域调整技术显著提高了跨不同数据集的网格重建准确性.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算解剖学的计算解剖学
背景情况:
- 深度学习模型在医学成像方面表现出色,但在领域转移方面遇到了困难.
- 将训练有素的模型适应新环境对于临床翻译至关重要.
- 现有的领域适应研究主要针对分类和细分任务.
研究的目的:
- 开发和评估一个域适应策略,用于从低分辨率的MRI重建高分辨率的椎间盘网格.
- 评估MRI2Mesh,一种新型形状重建网络在域调整环境中的有效性.
- 为了比较两个域适应技术,自适应批量规范化 (AdaBN) 和自适应实例规范化 (AdaIN),用于网格重建.
主要方法:
- 利用MRI2Mesh,一个包含图像编码器,网格变形模块和交叉级别功能融合的网络.
- 实现了适应性批量规范化 (AdaBN) 和适应性实例规范化 (AdaIN),用于域调整.
- 评估来自不同人群,机器和测试场所的不同数据集的性能.
主要成果:
- MRI2Mesh在域适应方面表现出显著的改进,将豪斯多夫距离 (HD) 减少了高达14%,点到表面 (P2S) 距离减少了高达19%.
- 该网络在各种数据集,群体和扫描协议中显示出一致的性能.
- 自适应批量规范化 (AdaBN) 证明是一个比自适应实例规范化 (AdaIN) 更强大的域适应技术.
结论:
- 在域调整下,MRI2Mesh在解剖形状重建方面表现优于最先进的Voxel2Mesh网络.
- 结合MRI2Mesh和AdaBN,在各种临床场景中提供了一种有前途的方法,用于精确的解剖形状重建.
- 这项工作突出了域调整的潜力,以提高医疗成像中的深度学习模型的普遍性,超越分类和细分.
