一种用于多对比度MRI在不同成像协议下多发性硬化病灶分割的自适应网络
计算机视觉与模式识别
2018-11-20 v1
摘要
深度神经网络（DNN）已显示出从多对比度MRI（包括T1、T2、质子密度（PD）和FLAIR序列）中分割多发性硬化（MS）病灶的潜力。然而，将此类网络部署到临床实践中的一个挑战是成像协议的可变性，其通常与训练数据集不同，因为某些MRI序列可能不可用或无法使用。因此，训练好的网络需要在部署时成像协议不同的情况下适应实际情况。在本文中，我们提出了一种基于DNN的MS病灶分割框架，其采用一种称为序列丢弃（sequence dropout）的新技术，该技术能在部署时适应输入MRI序列的各种组合，并从给定输入中获得最大可能的性能。此外，借助该框架，我们在不训练单独网络的情况下研究了每个MRI序列对MS病灶分割任务的定量影响。实验使用IEEE ISBI 2015纵向MS病灶挑战数据集进行，我们的方法目前以0.684的Dice相似系数排名第2。此外，通过与在相应输入MRI序列上训练的单独网络进行比较，我们展示了我们的网络在部署时某一序列不可用的情况下达到了最大可能的性能。特别地，我们发现T1和PD对分割性能影响较小，而FLAIR是主导序列。我们还进行了多个序列缺失的实验，并展示了我们网络的鲁棒性。
引用
@article{arxiv.1811.07491,
title = {A Self-Adaptive Network For Multiple Sclerosis Lesion Segmentation From Multi-Contrast MRI With Various Imaging Protocols},
author = {Yushan Feng and Huitong Pan and Craig Meyer and Xue Feng},
journal= {arXiv preprint arXiv:1811.07491},
year = {2018}
}
备注
This paper is submitted to IEEE ISBI 2019