磁共振成像（MRI）数据由于设备制造商，扫描协议和受试者间变异性的差异而具有异质性。减轻MR图像异质性的一种常规方法是应用预处理转换，例如解剖学比对，体素重新采样，信号强度均衡，图像降解和利益区域的定位（ROI）。尽管预处理管道标准化了图像外观，但其对图像分割质量和深度神经网络（DNN）的其他下游任务的影响从未经过严格研究。在这里，我们报告了一项关于TCIA-GBM开源数据集的多模式MRI MRI脑癌图像分割的全面研究。我们的结果表明，大多数流行的标准化步骤对人工神经网络的性能没有任何价值。此外，预处理可以妨碍模型性能。我们建议，由于信号差异降低了图像标准化，图像强度归一化方法不会导致模型准确性。最后，如果根据临床相关的指标来衡量，我们表明了型型型在数据预处理中的贡献几乎可以忽略不计。我们表明，准确分析的唯一必不可少的转换是整个数据集的体素间距的统一。相反，非刚性地图集注册形式的解剖学对齐不是必需的，大多数强度均衡步骤不能提高模型的生产力。
translated by 谷歌翻译
域转移是医疗计算机视觉中最突出的挑战之一。由于扫描仪的参数和成像协议的巨大变化，即使是从同一人获得的图像，同一扫描仪也可能有很大差异。我们解决了由重建过程中使用的不同卷积内核引起的计算机断层扫描（CT）图像的可变性，这是CT中的关键域移位因子。卷积内核的选择会影响像素的粒度，图像平滑度和噪声水平。我们分析了配对的CT图像的数据集，其中从相同的辛图中重建了带有不同内核的光滑和清晰的图像，从而提供了相同的解剖结构，但样式不同。尽管需要相同的预测，但我们表明，作为对成对预测之间的平均骰子的一致性仅为0.54。我们提出了过滤后的反射增强（FBPAUG），这是一种简单且令人惊讶的有效方法，可在曲《正式空间中增强CT图像》中使用不同的内核模拟重建。我们将提出的方法应用于零弹药域的适应设置中，并表明一致性从0.54提高到0.92优于其他增强方法。源域数据和目标域数据都不需要特定的准备，因此我们公开发布的FBPAUG可以用作任何基于CT的任务中零弹射域适应的插件模块。
translated by 谷歌翻译