用于集成分割与配准的混合深度学习框架：在白质纤维束纵向变化上的评估
图像与视频处理
2019-08-28 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
为在纵向影像研究中准确分析解剖结构的变化，需要在多个时间点保持一致的分割。现有方案常涉及独立的配准与分割组件。时间点间的配准被用作后续时间点分割的先验，或在公共空间执行分割。本工作中，我们提出一种新颖的混合卷积神经网络（CNN），将分割与配准集成到单一流程中。我们假设联合优化可提升两项任务上的性能。该混合 CNN 通过最小化由四项组成的集成损失函数进行训练，分别度量分割精度、配准图像间相似性、形变场平滑度及分割一致性。我们将此方法应用于白质纤维束（描述功能分组的轴突纤维）的分割，使用了来自 3249 名个体的 N=8045 纵向脑 MRI 数据。将所提方法与两个多阶段流水线进行比较，后者使用两种现有分割方法结合传统可变形配准算法。此外，我们分别评估了联合优化对分割与配准的附加价值。混合 CNN 取得了显著高于多阶段流水线的分割准确性、一致性与可复现性，且速度快数个数量级。因此我们期望其可作为支持临床与流行病学分析中理解脑微结构随时间变化的新工具。
引用
@article{arxiv.1908.10221,
title = {A hybrid deep learning framework for integrated segmentation and registration: evaluation on longitudinal white matter tract changes},
author = {Bo Li and Wiro Niessen and Stefan Klein and Marius de Groot and Arfan Ikram and Meike Vernooij and Esther Bron},
journal= {arXiv preprint arXiv:1908.10221},
year = {2019}
}
备注
MICCAI 2019 (oral presentation)