基于深度卷积神经网络的定量磁敏感成像脑灰质核团自动分割
图像与视频处理
2020-08-04 v1 计算机视觉与模式识别
摘要
已有报道指出，脑皮质下核团的异常铁积累与多种神经退行性疾病相关，这可以通过定量磁敏感成像（QSM）得到的磁化率来测量。为了定量测量磁化率，需要对核团进行准确分割，这对临床医生而言是一项繁琐的任务。本文中，我们提出了一种基于三维卷积神经网络（CNN）的双分支残差结构 U-Net（DB-ResUNet），用于自动分割此类脑灰质核团。为了在分割精度与内存效率之间取得更好的权衡，所提出的 DB-ResUNet 分别将高分辨率图像块和具有较大视野的低分辨率图像块输入局部分支与全局分支。实验结果表明，通过将 QSM 与 T 加权成像（TWI）联合作为输入，所提方法相比单分支对应方法、传统的基于图谱的方法以及经典的 3D-UNet 结构能够获得更好的分割精度。我们还测量了磁化率值与体积，结果表明由所提 DB-ResUNet 得到的测量值与手动标注感兴趣区域的值具有高度相关性。
引用
@article{arxiv.2008.00901,
title = {Automated Segmentation of Brain Gray Matter Nuclei on Quantitative Susceptibility Mapping Using Deep Convolutional Neural Network},
author = {Chao Chai and Pengchong Qiao and Bin Zhao and Huiying Wang and Guohua Liu and Hong Wu and E Mark Haacke and Wen Shen and Chen Cao and Xinchen Ye and Zhiyang Liu and Shuang Xia},
journal= {arXiv preprint arXiv:2008.00901},
year = {2020}
}
备注
submitted to IEEE Transactions on Medical Imaging