一种用于分割脑MRI图像中卒中病灶的多路径2.5维卷积神经网络系统
计算机视觉与模式识别
2019-05-28 v1
摘要
从卒中幸存者的磁共振成像（MRI）扫描中自动识别脑病灶，将有益于患者诊断与治疗规划。我们提出了一种多模态多路径卷积神经网络系统以自动化卒中病灶分割。我们的系统包含九个端到端UNet，以二维（2D）切片作为输入，并以三种不同归一化方式检查所有三个平面。这九条路径的输出被拼接为一个3D体，随后传入一个3D卷积神经网络以输出最终的病灶掩码。我们在来自三个来源的数据集上训练和测试了我们的方法：威斯康星医学院（MCW）、凯斯勒基金会（KF），以及公开可用的卒中后病灶解剖追踪（ATLAS）数据集。我们获得了跨研究验证结果（采用独立的训练与验证数据集），以与基于朴素贝叶斯、随机森林以及三种近期发表的卷积神经网络的先前方法进行比较。模型性能以Dice系数量化。在KF和MCW图像上训练并在ATLAS图像上测试，得到平均Dice系数为0.54。这可靠地优于次优的先前模型UNet的0.47。反转训练与测试数据集，在KF和MCW图像上得到平均Dice为0.47，而次优的UNet达到0.45。在三个数据集合并时，当前系统相较于先前方法也获得了可靠更高的交叉验证精度。它还对许多现有方法难以识别的较小病灶实现了高Dice值。总体而言，我们的系统是自动化卒中病灶分割方面对先前方法的明确改进，使我们向人类专家的评分者间精度水平迈出了重要一步。
引用
@article{arxiv.1905.10835,
title = {A multi-path 2.5 dimensional convolutional neural network system for segmenting stroke lesions in brain MRI images},
author = {Yunzhe Xue 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:1905.10835},
year = {2019}
}