用于脑MRI中血管周围间隙扩大的三维回归神经网络量化
计算机视觉与模式识别
2018-10-30 v2
摘要
脑内扩大的血管周围间隙(EPVS)是脑小血管疾病的一个新兴影像标志物，并已被证明与包括中风和痴呆在内的多种神经系统疾病风险增加相关。EPVS的自动量化将极大推动对其病因学及其作为疾病风险指标的潜力的研究。我们提出一种卷积网络回归方法，从3D脑MRI中量化基底节区EPVS的程度。我们首先分割基底节区，随后在该感兴趣区域内应用为小目标检测设计的三维卷积回归网络。网络以图像为输入，输出EPVS的量化分数。该网络卷积操作远多于池化操作且无最终激活函数，使其能覆盖实数空间。我们使用一组2000例经视觉评分的脑MRI扫描验证了我们的方法。采用不同大小训练集和测试集的实验表明，仅用200例扫描的训练集即可获得良好性能。在1000例扫描的训练集下，我们的评分方法与专家视觉评分的组内相关系数(ICC)为0.74。我们的方法大幅优于——超出0.10以上——四种基于强度、尺度不变特征变换和随机森林的更常规自动化方法。我们展示了网络学习了感兴趣结构，并研究了超参数对性能的影响。我们还使用一组60名受试者两次扫描的数据评估了网络的可重复性(扫描-重扫可重复性)。在该组上我们的网络达到0.93的ICC，而评分者内一致性为0.80。此外，自动EPVS评分与年龄的相关性与视觉评分相似。
引用
@article{arxiv.1802.05914,
title = {3D Regression Neural Network for the Quantification of Enlarged Perivascular Spaces in Brain MRI},
author = {Florian Dubost and Hieab Adams and Gerda Bortsova and M. Arfan Ikram and Wiro Niessen and Meike Vernooij and Marleen de Bruijne},
journal= {arXiv preprint arXiv:1802.05914},
year = {2018}
}