使用空间局部化图谱网络切片的 3D 全脑分割
计算机视觉与模式识别
2019-03-29 v1
摘要
详细的全脑分割是一项重要的定量技术，它提供了一种从结构磁共振成像 测量大脑区域的非侵入性方法。近年来，深度卷积神经网络 (CNN) 已被应用于全脑分割。然而，受限于当前的 GPU 内存，基于 2D 的方法、基于下采样的 3D CNN 方法以及基于图像块的高分辨率 3D CNN 方法已成为事实上的标准解决方案。在 CNN 方法中，基于 3D 图像块的高分辨率方法通常在详细的全脑分割（>100 个标签）上产生卓越的性能，但由于以下挑战，其性能通常仍劣于多图谱分割方法 (MAS)：(1) 通常使用单个网络来学习图像块的空间和上下文信息，(2) 可用于训练网络的手动追踪全脑体积极其有限（通常少于 50 个）。在这项工作中，我们提出了空间局部化图谱网络切片 (SLANT) 方法，以分布多个独立的 3D 全卷积网络 (FCN) 来进行高分辨率全脑分割。为了应对第一个挑战，SLANT 方法中使用了多个空间分布的网络，其中每个网络学习固定空间位置的上下文信息。为了应对第二个挑战，通过多图谱分割为 5111 个最初未标记的扫描创建了辅助标签用于训练。由于该方法将多种传统医学图像处理方法与深度学习相集成，我们开发了一个容器化流水线来部署端到端解决方案。结果表明，与多图谱分割方法相比，所提出的方法实现了卓越的性能，同时将计算时间从 >30 小时减少到了 15 分钟 (https://github.com/MASILab/SLANTbrainSeg)。
关键词
引用
@article{arxiv.1903.12152,
title = {3D Whole Brain Segmentation using Spatially Localized Atlas Network Tiles},
author = {Yuankai Huo and Zhoubing Xu and Yunxi Xiong and Katherine Aboud and Prasanna Parvathaneni and Shunxing Bao and Camilo Bermudez and Susan M. Resnick and Laurie E. Cutting and Bennett A. Landman},
journal= {arXiv preprint arXiv:1903.12152},
year = {2019}
}