AssemblyNet：用于三维全脑MRI分割的大型CNN集成
图像与视频处理
2019-11-22 v1 计算机视觉与模式识别
机器学习
摘要
使用深度学习（DL）进行全脑分割是一项非常具有挑战性的任务，因为与可用的训练图像数量相比，解剖学标签的数量非常多。为了解决这个问题，以往的DL方法提出使用单个卷积神经网络（CNN）或少数独立的CNN。在本文中，我们提出了一种基于大量处理不同重叠脑区的CNN的新型集成方法。受议会决策系统的启发，我们提出了一个称为AssemblyNet的框架，由两个U-Net的“议会”组成。这样的议会系统能够处理复杂决策、未见问题和快速达成共识。AssemblyNet引入了相邻U-Net之间的知识共享、由第二个议会在更高分辨率下进行的“修订”程序以细化第一个议会做出的决策，以及通过多数投票获得的最终决策。在我们的验证中，AssemblyNet相比U-Net、联合标签融合和SLANT等最先进方法表现出有竞争力的性能。此外，我们研究了我们方法的扫描-重扫描一致性以及对疾病影响的鲁棒性。这些实验证明了AssemblyNet的可靠性。最后，我们展示了使用半监督学习来提升我们方法性能的价值。
引用
@article{arxiv.1911.09098,
title = {AssemblyNet: A large ensemble of CNNs for 3D Whole Brain MRI Segmentation},
author = {Pierrick Coupé and Boris Mansencal and Michaël Clément and Rémi Giraud and Baudouin Denis de Senneville and Vinh-Thong Ta and Vincent Lepetit and José V. Manjon},
journal= {arXiv preprint arXiv:1911.09098},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1906.01862