基于贝叶斯全卷积神经网络的杏仁核亚核精准自动分割与不确定性建模
计算机视觉与模式识别
2019-02-21 v1
摘要
深度学习的近期进展提升了皮下脑结构的分割精度，这将有助于许多神经系统疾病的神经影像研究。然而，以往多数深度学习工作未探究分割极小却重要的脑区（如杏仁核及其亚区）所存在的特定困难。为应对这一挑战性任务，我们开发了一种新颖的 3D 贝叶斯全卷积神经网络，其采用扩张双通路方法，保留精细细节并利用局部与更全局的上下文信息，以高精度自动分割杏仁核及其亚区。所提方法为针对小 3D 结构分割的网络设计与采样策略提供了洞见。特别地，本研究证实由大视野实现的大上下文有益于小物体分割；此外，由扩张卷积实现的精确上下文信息允许更好的边界定位，这对于考察结构形态至关重要。另外，我们证明了从网络估计的不确定性信息可用于识别数据中的非典型性。我们的方法与两种最先进的深度学习模型及一种传统多图谱方法进行比较，在 Dice 重叠度与平均对称表面距离度量下均展现出优异性能。据我们所知，本工作是首个针对杏仁核亚区的基于深度学习的方法。
引用
@article{arxiv.1902.07289,
title = {Accurate Automatic Segmentation of Amygdala Subnuclei and Modeling of Uncertainty via Bayesian Fully Convolutional Neural Network},
author = {Yilin Liu and Gengyan Zhao and Brendon M. Nacewicz and Nagesh Adluru and Gregory R. Kirk and Peter A Ferrazzano and Martin Styner and Andrew L. Alexander},
journal= {arXiv preprint arXiv:1902.07289},
year = {2019}
}