用于胎儿 MRI 中皮质板自动分割的深度注意力卷积神经网络
计算机视觉与模式识别
2021-04-05 v3 图像与视频处理
定量方法
摘要
胎儿皮质板分割在胎儿脑成熟与皮质折叠的定量分析中至关重要。皮质板的手动分割或对手动自动分割结果的精修繁琐且耗时。另一方面，皮质板的自动分割面临诸多挑战：重建胎儿脑 MRI 扫描分辨率相对较低而皮质板结构薄、部分容积效应，以及皮质板形态在妊娠期脑成熟过程中差异广泛。为减轻分割结果手动精修的负担，我们开发了一种新颖且强大的深度学习分割方法。我们的方法在利用深度监督与残差连接的全卷积神经网络架构中，采用了具有混合核卷积的新型深度注意力模块。我们基于多项性能指标与专家评估对方法进行了定量评价。结果表明，我们的方法优于若干最先进的深度分割模型以及一种最先进的多图谱分割技术。在胎龄 16 至 39 周胎儿的重建胎儿脑 MRI 扫描上，我们取得了平均 Dice 相似系数 0.87、平均 Hausdorff 距离 0.96 mm、平均对称表面差 0.28 mm。每例胎儿脑计算时间少于 1 分钟，我们的方法可促进并加速关于正常与异常胎儿脑皮质成熟及折叠的大规模研究。
引用
@article{arxiv.2004.12847,
title = {A Deep Attentive Convolutional Neural Network for Automatic Cortical Plate Segmentation in Fetal MRI},
author = {Haoran Dou and Davood Karimi and Caitlin K. Rollins and Cynthia M. Ortinau and Lana Vasung and Clemente Velasco-Annis and Abdelhakim Ouaalam and Xin Yang and Dong Ni and Ali Gholipour},
journal= {arXiv preprint arXiv:2004.12847},
year = {2021}
}
备注
Accepted by IEEE Transactions on Medical Imaging