用于 MRI 皮层下结构分割的 3D 全卷积网络：一项大规模研究
计算机视觉与模式识别
2017-04-21 v2
摘要
本研究探讨了一种用于 MRI 中皮层下脑结构分割的 3D 全卷积神经网络 (CNN)。3D CNN 架构通常因其在推理过程中的计算和内存需求而被回避。我们通过使用小卷积核来解决该问题，从而允许更深的架构。我们进一步通过在最终预测中嵌入中间层输出来建模局部和全局上下文，这鼓励了在不同尺度上提取的特征之间的一致性，并将细粒度信息直接嵌入到分割过程中。我们的模型在图形处理单元 (GPU) 上以单阶段方式高效地进行端到端训练，充分利用了全卷积网络的密集推理能力。我们在两个公开数据集上进行了全面的实验。首先，我们在 ISBR 数据集上展示了最先进的性能。然后，我们报告了一项对来自 17 个不同站点（ABIDE 数据集）的 1112 个未配准受试者数据集进行的 {\em 大规模} 多站点评估，受试者年龄范围从 7 岁到 64 岁，结果表明我们的方法对各种采集协议、人口统计学和临床因素具有鲁棒性。我们的方法产生的分割结果与标准的基于图谱的方法高度一致，但运行时间仅为基于图谱方法所需时间的一小部分，且避免了配准/标准化步骤。这使其非常适用于大规模多站点神经解剖成像研究。据我们所知，我们的工作是首个在如此大规模和异构数据上研究皮层下结构分割的工作。
引用
@article{arxiv.1612.03925,
title = {3D fully convolutional networks for subcortical segmentation in MRI: A large-scale study},
author = {J. Dolz and C. Desrosiers and I. Ben Ayed},
journal= {arXiv preprint arXiv:1612.03925},
year = {2017}
}
备注
Accepted in the special issue of Neuroimage: "Brain Segmentation and Parcellation"