基于对抗训练卷积神经网络利用多序列磁共振成像进行缺血性脑卒中病灶语义分割
图像与视频处理
2019-08-06 v1 机器学习
机器学习
摘要
缺血性脑卒中是一种因脑组织的血液供应阻塞从而形成病灶的医学病症。病灶被划分为与不可逆坏死相关的核心区（通常位于病灶中心），而病灶外围的可逆缺氧改变称为半暗带。早期估计缺血性脑卒中的核心区与半暗带对于及时采用溶栓治疗以逆转损伤并恢复正常至关重要。多序列磁共振成像（MRI）常用于临床诊断。然而，单一序列尚不足以区分核心区与半暗带，而需结合多个序列以确定损伤范围。但挑战在于，随着序列数量增加，临床医生在这些图像中发现症状性生物标志物的认知负担加重。本文提出一种数据驱动的完全自动化方法，利用 MRI 的扩散加权成像（DWI）与灌注加权成像（PWI）序列图估计缺血病灶中的核心区与半暗带。该方法采用卷积神经网络（CNN）在医学图像语义分割中的最新进展。在缺乏大量标注数据的情况下，CNN 通过对抗方式进行训练，采用交叉熵作为分割损失，并聚合来自三个判别器的损失，其中两个判别器采用相对视觉图灵测试。该方法在 ISLES-2015 数据集上通过三折交叉验证进行实验验证，半暗带与核心区分割的平均 Dice 分数分别为 0.82 与 0.73。
引用
@article{arxiv.1908.01176,
title = {Adversarially Trained Convolutional Neural Networks for Semantic Segmentation of Ischaemic Stroke Lesion using Multisequence Magnetic Resonance Imaging},
author = {Rachana Sathish and Ronnie Rajan and Anusha Vupputuri and Nirmalya Ghosh and Debdoot Sheet},
journal= {arXiv preprint arXiv:1908.01176},
year = {2019}
}