深度卷积神经网络在径向Turbo自旋回波图像中肝脏分割的比较
图像与视频处理
2020-04-14 v1 计算机视觉与模式识别
机器学习
摘要
运动鲁棒的2D径向Turbo自旋回波（RADTSE）脉冲序列可提供高分辨率复合图像、多回波时间（TEs）的T2加权图像以及定量T2图，均来自单次k空间采集。本工作中，我们使用深度学习卷积神经网络（CNN）对腹部RADTSE图像中的肝脏进行分割。我们实现了一种具有广义dice损失目标函数的改进UNET架构。训练了三个2D CNN，分别对应于RADTSE序列所得的每种图像类型。在验证集上评估CNN性能时，我们发现训练于TE图像或T2图的CNN比训练于复合图像的CNN具有更高的平均dice分数。这反过来表明，有关组织T2变化的信息有助于提升分割性能。
引用
@article{arxiv.2004.05731,
title = {A Comparison of Deep Learning Convolution Neural Networks for Liver Segmentation in Radial Turbo Spin Echo Images},
author = {Lavanya Umapathy and Mahesh Bharath Keerthivasan and Jean-Phillipe Galons and Wyatt Unger and Diego Martin and Maria I Altbach and Ali Bilgin},
journal= {arXiv preprint arXiv:2004.05731},
year = {2020}
}
备注
3 pages, 4 figures, 1 table. Published in Proceedings of International Society for Magnetic Resonance in Medicine 2018