基于全卷积网络的啮齿动物脑部 MRI 病灶自动分割
图像与视频处理
2019-08-26 v1 计算机视觉与模式识别
摘要
从磁共振图像(MRIs)中手动分割啮齿动物脑部病灶是一项艰巨、耗时且主观的任务,在临床前研究中极为重要。针对不同的人脑 MRI 分割已开发多种自动方法,但针对啮齿动物病灶自动分割的研究甚少。现有用于啮齿动物自动病灶分割的工具受限于对数据的严格假设。深度学习已成功用于医学图像分割。然而,尚未有专门设计用于解决啮齿动物脑部病灶分割的深度学习方法。本工作中,我们提出一种新颖的全卷积网络(FCN)RatLesNet,用于上述任务。我们的数据集包含来自 4 项不同研究的 131 张 T2 加权大鼠脑扫描,这些研究通过短暂性大脑中动脉闭塞诱导缺血性卒中。我们将所提方法与另外两种最初为解剖分割开发的 3D FCN(VoxResNet 和 3D-U-Net)进行比较,采用 5 折交叉验证在单一研究上测试,并进行泛化测试(在单一研究上训练,在其余三项研究上测试)。我们方法生成的标签在定量与定性上均优于对比方法的预测。所提方法在 5 折交叉验证实验中的平均 Dice 系数为 0.88,比对比架构高 3.7% 至 38%。所提架构在不同研究上的泛化能力也优于其他 FCN,平均 Dice 系数达 0.79。
引用
@article{arxiv.1908.08746,
title = {Automatic Rodent Brain MRI Lesion Segmentation with Fully Convolutional Networks},
author = {Juan Miguel Valverde and Artem Shatillo and Riccardo de Feo and Olli Gröhn and Alejandra Sierra and Jussi Tohka},
journal= {arXiv preprint arXiv:1908.08746},
year = {2019}
}
备注
Accepted to Machine Learning in Medical Imaging (MLMI 2019)