Neuronale Vorverarbeitung: Ein Lernrahmen für die end-to-end-Vorverarbeitung von Hirn-MRI-Daten

Die Vorverarbeitung von Kopf-MRI-Bildern umfasst die Umwandlung roher Bilder in intensitätsnormalisierte, schädelfreie Hirnbilder in einem Standardkoordinatenraum. In dieser Arbeit schlagen wir einen end-to-end schwach überwachten Lernalgorithmus vor, der als Neural Pre-processing (NPP) bezeichnet wird und alle drei Teilprobleme gleichzeitig durch ein neuronales Netzwerk löst, das auf einem großen Datensatz ohne individuelle Aufgabenüberwachung trainiert wurde. Da das Gesamtziel stark unterbestimmt ist, trennen wir explizit die geometrieerhaltende Intensitätsabbildung (Schädelentfernung und Intensitätsnormalisierung) von der räumlichen Transformation (räumliche Normalisierung). Quantitative Ergebnisse zeigen, dass unser Modell den aktuellen Stand der Technik übertrifft, der sich nur mit einer einzelnen Teilproblematik beschäftigt. Unsere Ausblendungsstudien (Ablation Studies) verdeutlichen die Bedeutung des für NPP gewählten Architekturdesigns. Zudem bietet NPP dem Benutzer die Flexibilität, jede dieser Aufgaben zur Inferenzzeit zu steuern. Der Quellcode und das Modell sind frei verfügbar unter \url{https://github.com/Novestars/Neural-Pre-processing}.