基于多平面级联卷积神经网络的丘脑核团自动分割
图像与视频处理
2020-08-26 v2 计算机视觉与模式识别
机器学习
机器学习
摘要
采用带改进残差U-Net架构的级联多平面方案，在常规与白质置零（WMn）磁化制备快速梯度回波（MPRAGE）数据上分割丘脑核团。单一网络被优化以处理来自健康对照者以及多发性硬化（MS）和原发性震颤（ET）患者、在3T与7T场强下采集的图像。使用Dice相似系数与体积相似指数（VSI）评估性能。通过将该方法应用于研究MS对丘脑核团萎缩的影响，展示了其临床效用。每个丘脑分割为十二个核团可在不到一分钟内完成。对于7T WMn-MPRAGE，所提方法在ET患者上优于当前最优方法，五个核团的Dice（提升范围0.05–0.18）与四个核团的VSI（提升范围0.05–0.19）均有统计显著改善，而在健康者与MS受试者上表现相当。使用7T WMn-MPRAGE数据所得的Dice与VSI与使用3T WMn-MPRAGE数据者相当。对于常规MPRAGE，所提方法相较FreeSurfer在所有核团与疾病类型上均显示出统计显著的Dice提升，范围0.14–0.63。噪声对网络性能的影响显示其对信噪比（SNR）低至基线SNR一半的图像具有鲁棒性。在控制并行成像、颅内体积、性别与年龄影响后，观察到MS患者相较健康对照者四个丘脑核团及全丘脑的萎缩（p<0.004）。所提分割方法快速、准确，跨疾病类型与场强表现良好，并展现出提升我们对神经疾病中丘脑核团受累理解的巨大潜力。
引用
@article{arxiv.1912.07209,
title = {Automated Thalamic Nuclei Segmentation Using Multi-Planar Cascaded Convolutional Neural Networks},
author = {Mohammad S Majdi and Mahesh B Keerthivasan and Brian K Rutt and Natalie M Zahr and Jeffrey J Rodriguez and Manojkumar Saranathan},
journal= {arXiv preprint arXiv:1912.07209},
year = {2020}
}
备注
Submitted to Magnetic Resonance Imaging. 34 pages, 6 figures , 2 tables, 1 supporting figures, 2 supporting tables. Magnetic Resonance Imaging (2020)