AssemblyNet：一种用于全脑 MRI 分割的新型深度决策流程
图像与视频处理
2019-06-06 v1 计算机视觉与模式识别
机器学习
神经元与认知
摘要
使用深度学习（DL）进行全脑分割是一项极具挑战性的任务，因为相较于可用的训练图像数量，解剖学标签的数量非常庞大。为解决此问题，以往的 DL 方法提出使用全局卷积神经网络（CNN）或少量独立的 CNN。本文中，我们提出一种基于大量处理不同重叠脑区的 CNN 的新型集成方法。受议会决策系统启发，我们提出称为 AssemblyNet 的框架，其由两个 U-Net 的“议会”组成。此类议会系统能够处理复杂决策并快速达成共识。AssemblyNet 引入了相邻 U-Net 间的知识共享、由第二个议会在更高分辨率下进行的“修订”程序以精炼第一个议会作出的决策，以及通过多数投票得到的最终决策。在使用相同 45 张训练图像时，AssemblyNet 在 Dice 指标上优于全局 U-Net 达 28%，优于基于块联合标签融合达 15%，优于 SLANT-27 达 10%。最后，AssemblyNet 展现出处理有限训练数据以在实用训练与测试时间内实现全脑分割的高能力。
引用
@article{arxiv.1906.01862,
title = {AssemblyNet: A Novel Deep Decision-Making Process for 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:1906.01862},
year = {2019}
}