用于胶质母细胞瘤分割的三维卷积神经网络
计算机视觉与模式识别
2016-11-15 v1
摘要
卷积神经网络 (CNN) 已成为学习判别性图像特征的强大工具。本文提出一个基于三维全卷积神经网络模型的框架，用于从多模态 MRI 数据中分割胶质母细胞瘤。通过将 CNN 模型推广到真正的三维卷积来学习三维肿瘤 MRI 数据，该方法利用独特的网络架构对图像像素进行解耦。具体而言，我们设计了一个带有预定义高斯差分 (DoG) 滤波器的卷积层，以执行真正的三维卷积，融入每个像素处的局部邻域信息。然后，我们使用三个训练好的卷积层，将体素从初始三维卷积中解耦出来。所提出的框架能够在 MRI 上识别高层肿瘤结构。我们在包含 274 个肿瘤样本的 BRATS 分割数据集上评估分割性能。大量实验结果表明，与现有最优方法相比，该方法取得了令人鼓舞的性能。我们的数据驱动方法在全肿瘤胶质母细胞瘤分割中实现了 89% 的中位 Dice 分数准确率，揭示了从中等规模 MRI 数据集学习的一种广义低偏差可能性。
引用
@article{arxiv.1611.04534,
title = {3-D Convolutional Neural Networks for Glioblastoma Segmentation},
author = {Darvin Yi and Mu Zhou and Zhao Chen and Olivier Gevaert},
journal= {arXiv preprint arXiv:1611.04534},
year = {2016}
}