用于神经影像分析的领域随机化深度学习：选择训练策略、应对挑战以及最大化收益

《IEEE Signal Processing Magazine》：Domain-Randomized Deep Learning for Neuroimage Analysis: Selecting Training Strategies, Navigating Challenges, and Maximizing Benefits

深度学习革新神经影像分析，但狭窄的训练数据集制约模型泛化与鲁棒性，尤其在MRI等设备差异显著的领域。域随机化策略通过合成数据增强模型泛化能力，已验证在MRI、CT、PET等多模态及超声、显微等跨领域应用的有效性，该教程探讨其原理、实现及实践考量。

　　

摘要：

深度学习通过提供前所未有的速度和准确性，彻底改变了神经影像分析领域。然而，许多训练数据集的范围狭窄，这限制了模型的鲁棒性和泛化能力。在磁共振成像（MRI）中，这一挑战尤为突出，因为图像在不同脉冲序列和扫描仪硬件下的表现差异很大。最近的一种领域随机化策略通过在具有随机强度和解剖结构的合成图像上训练深度神经网络来解决泛化问题。通过从解剖分割图中生成多样化的数据，该方法使模型能够在无需重新训练或微调的情况下准确处理训练过程中未见过的图像类型。该方法已在包括MRI、计算机断层扫描、正电子发射断层扫描和光学相干断层扫描在内的多种模态中显示出有效性，并且还扩展到了超声、电子显微镜、荧光显微镜和X射线微断层扫描等领域。本文综述了这种基于合成数据的训练范式的原理、实现方法及其潜力，强调了其关键优势，如泛化能力的提升和对抗过拟合的能力，同时也讨论了计算需求增加等权衡因素。最后，文章探讨了采用该技术的实际考虑因素，旨在加速开发出易于领域专家使用的通用工具，使他们能够在没有大量计算资源或机器学习知识的情况下也能利用深度学习。

神经成像技术，如磁共振成像（MRI），使得能够在体内研究人脑。随着采集技术的进步，神经影像处理方面的研究也催生了能够自动化系统数据分析的软件，从而减少了人工工作量，同时提高了准确性和可重复性[1]。近年来，深度学习（DL）推动了一类具有前所未有的速度和准确性的新算法的发展，在许多任务中，深度神经网络已经很大程度上取代了传统技术。然而，深度学习在神经成像中的一个关键挑战是数据集规模小且具有高度特异性。由于数据采集成本高昂、多种模态争夺扫描时间、多维数据（如时间序列数据）的体积庞大、某些神经系统疾病的发病率较低以及数据共享的隐私问题[3]，许多研究仅涉及数百甚至几十名受试者[2]。在有限的数据集上训练模型可能导致过拟合，从而降低对新数据的泛化能力；随着训练损失的持续减少，验证误差反而会增加[4]。即使在具有相似MRI序列的类似队列中获取的数据集，这种性能差距也很常见，因为模型可能会对扫描仪硬件或序列参数的细微变化变得敏感，而这些变化会体现在图像上。