用于磁共振成像中脑提取的自上下文卷积神经网络（Auto-Net）
计算机视觉与模式识别
2017-06-21 v2
摘要
脑提取或全脑分割是许多神经影像分析流程中重要的第一步。因此，脑提取的准确性和鲁棒性对整个脑分析过程的准确性至关重要。为设计一种基于学习、几何无关且无需配准的脑提取工具，本研究提出了一种基于自上下文卷积神经网络（CNN）的技术，其中通过不同窗口大小的 2D 图像块学习内在的局部和全局图像特征。在该架构中，针对三个不同方向（轴向、冠状和矢状）的三条并行 2D 卷积通路隐式地学习 3D 图像信息，而无需计算昂贵的 3D 卷积。网络生成的后验概率图被迭代地用作上下文信息，与原始图像块一起学习脑的局部形状和连通性，从而将其从非脑组织中提取出来。我们的算法在两个公开可用的基准数据集（LPBA40 和 OASIS）上获得的脑提取结果优于文献中近期报道的结果，在这两个数据集上我们分别获得了 97.42% 和 95.40% 的 Dice 重叠系数。此外，我们在重建的胎儿脑磁共振成像（MRI）数据集中提取任意朝向胎儿脑这一挑战性问题上评估了算法性能。在此应用中，我们的算法表现远优于其他方法（Dice 系数：95.98%），而其他方法因胎儿脑在 MRI 中的非标准朝向和几何形状而表现不佳。我们基于 CNN 的方法可在挑战性应用中提供准确、几何无关的脑提取。
引用
@article{arxiv.1703.02083,
title = {Auto-context Convolutional Neural Network (Auto-Net) for Brain Extraction in Magnetic Resonance Imaging},
author = {Seyed Sadegh Mohseni Salehi and Deniz Erdogmus and Ali Gholipour},
journal= {arXiv preprint arXiv:1703.02083},
year = {2017}
}
备注
This manuscripts has been submitted to TMI