使用卷积神经网络的对比合成丘脑核团分割方案
机器学习
2020-12-18 v1 计算机视觉与模式识别
图像与视频处理
摘要
丘脑核团与多种神经系统疾病相关。WMn-MPRAGE 图像相比常规 MPRAGE 图像可提供更好的丘脑内核团对比度，但额外的采集导致检查时间增加。本工作中，我们研究了基于 3D 卷积神经网络（CNN）的从常规 MPRAGE 图像进行丘脑核团分割的技术。开发并比较了两种使用 MPRAGE 图像的 3D CNN 用于丘脑核团分割：a) 原生对比分割（NCS）和 b) 使用由 MPRAGE 图像合成的 WMn-MPRAGE 图像的合成对比分割（SCS）。我们使用 MPRAGE 图像（n=35）和基于多图谱分割技术在 WMn-MPRAGE 图像上生成的丘脑核团标签训练了这两个分割框架。分割精度与临床效用在由健康受试者和酒精使用障碍（AUD）患者（n=45）组成的队列上评估。与 NCS 网络相比，SCS 网络在内侧膝状体（P=.003）和中央中核（P=.01）上获得更高 Dice 分数，并在腹前核（P=.001）和腹后外侧核（P=.01）上体积差异更小。Bland-Altman 分析显示真实体积与 SCS 网络预测体积间具有更紧的一致性界限和更低变异系数。SCS 网络显示出 AUD 患者腹后外侧核相比健康年龄匹配对照的显著萎缩（P=0.01），与既往关于酒精中毒丘脑萎缩的研究一致，而 NCS 网络显示出腹后外侧核的虚假萎缩。分割前进行基于 CNN 的对比合成可从常规 MPRAGE 图像提供快速且准确的丘脑核团分割。
引用
@article{arxiv.2012.09386,
title = {A Contrast Synthesized Thalamic Nuclei Segmentation Scheme using Convolutional Neural Networks},
author = {Lavanya Umapathy and Mahesh Bharath Keerthivasan and Natalie M. Zahr and Ali Bilgin and Manojkumar Saranathan},
journal= {arXiv preprint arXiv:2012.09386},
year = {2020}
}
备注
24 pages, 7 figures, submitted to Neuroinformatics December 2020