一种用于多模态MRI数据中脑卒中病变分割的域内迁移学习的瓶颈融合框架

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：A Bottleneck Fusion Framework for Intra-domain Transfer Learning in Stroke Lesion Segmentation on Multimodal MRI Data

脑卒中分割模型融合多模态内域迁移学习与通道空间注意力机制，通过整合公共与非常规模态数据并采用类平衡训练，有效解决数据不足问题。实验基于ISLES 2015数据集，平均Dice系数达0.837。

　　

摘要

根据世界卫生组织的数据，全球中风患者的负担正在增加。及时量化中风的严重程度对于改善中风患者的预后至关重要。最近，基于深度学习的分割算法应运而生，以帮助临床医生进行诊断。然而，深度学习技术需要大量的数据进行训练。早期的研究因数据不足而面临挑战。为了解决这一问题，我们开发了一个模型，该模型结合了领域内迁移学习（intra-DTL）框架和通道-空间注意力（CSA）模块，以实现有效的特征提取。这种intra-DTL框架采用了基于瓶颈的多模态方法，利用同一领域内的相似数据。该方法整合了两个数据集中都存在的共同模态以及不存在于两个数据集中的不同模态，从而增强了特征提取能力，实现了有效的知识迁移。此外，CSA模块采用了挤压-激励（squeeze-and-excitation）模块，并结合了区域特定的全局注意力（RSGA）来进一步提升特征质量。我们还采用了针对源数据集的类别平衡训练方法。进一步地，我们分析了RSGA中分组的效果、不同框架对知识迁移的影响以及权重变化的情况。实验是在ISLES 2015数据集上进行的。实验结果表明，结合基于瓶颈的intra-DTL框架、注意力机制和类别平衡训练方法能够提高预测效果，平均Dice分数达到了0.837。这些发现凸显了intra-DTL框架在多模态输入中从源数据集向目标数据集迁移知识方面的有效性。