用于脑 MRI 图像中病灶自动识别的具有特征融合与特征加权的全 3D 多路径卷积神经网络
图像与视频处理
2019-11-19 v2 计算机视觉与模式识别
机器学习
摘要
我们提出一种全 3D 多路径卷积网络，从 3D 脑 MRI 图像中预测卒中病灶。我们的多路径模型对不同模态具有独立的编码器，包含残差卷积块、来自不同模态的加权多路径特征融合，以及结合编码器与解码器特征的加权融合模块。与现有的 3D CNN（如 DeepMedic、3D U-Net 和 AnatomyNet）相比，我们的网络在 220 名患者的大型 ATLAS 基准上取得了最高且统计显著的 60.5% 交叉验证准确率。我们还在来自 Kessler Foundation 和 Medical College Wisconsin 的多模态图像上测试了我们的模型，取得了统计显著的 65% 交叉验证准确率，显著优于多模态 3D U-Net 和 DeepMedic。总体而言，我们的模型提供了一种原理清晰、可扩展的多路径方法，优于多通道替代方案，并在现有基准上取得了高 Dice 准确率。
引用
@article{arxiv.1907.07807,
title = {A fully 3D multi-path convolutional neural network with feature fusion and feature weighting for automatic lesion identification in brain MRI images},
author = {Yunzhe Xue and Meiyan Xie and Fadi G. Farhat and Olga Boukrina and A. M. Barrett and Jeffrey R. Binder and Usman W. Roshan and William W. Graves},
journal= {arXiv preprint arXiv:1907.07807},
year = {2019}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2019 - Extended Abstract