集成FCNNs与CRFs的脑肿瘤分割深度学习模型
计算机视觉与模式识别
2017-11-13 v3
摘要
准确可靠的脑肿瘤分割是癌症诊断、治疗规划和治疗效果评估的关键环节。基于成功的深度学习技术，我们开发了一种新颖的脑肿瘤分割方法，该方法在统一框架中集成全卷积神经网络（FCNNs）与条件随机场（CRFs），以获得具有外观与空间一致性的分割结果。我们通过以下步骤训练基于深度学习的分割模型：1）使用图像块训练FCNNs；2）在固定FCNNs参数的情况下，使用图像切片训练作为循环神经网络的CRFs（CRF-RNN）；3）使用图像切片微调FCNNs与CRF-RNN。特别地，我们分别使用轴向、冠状和矢状视图获得的2D图像块和切片训练了3个分割模型，并采用基于投票的融合策略将它们组合以分割脑肿瘤。我们的方法可以逐片分割脑图像，比那些基于图像块的方法快得多。我们基于多模态脑肿瘤图像分割挑战赛（BRATS）2013、BRATS 2015和BRATS 2016提供的影像数据评估了我们的方法。实验结果表明，我们的方法可以利用Flair、T1c和T2扫描建立分割模型，并取得与利用Flair、T1、T1c和T2扫描建立的模型相竞争的性能。
引用
@article{arxiv.1702.04528,
title = {A deep learning model integrating FCNNs and CRFs for brain tumor segmentation},
author = {Xiaomei Zhao and Yihong Wu and Guidong Song and Zhenye Li and Yazhuo Zhang and Yong Fan},
journal= {arXiv preprint arXiv:1702.04528},
year = {2017}
}
备注
This version was accepted in the journal Medical Image Analysis