基于自归一化神经网络的超声盆底裂孔自动分割方法
计算机视觉与模式识别
2018-01-17 v1
摘要
超声下裂孔的分割可提取对盆底疾病评估具有重要意义的生物测量指标。本文中，我们提出一种利用卷积神经网络（CNN）在从 3D 超声体积中提取的 2D 图像中勾画裂孔的全自动方法。特别地，我们的方法使用最近开发的标度指数线性单元（SELU）作为非线性自归一化激活函数，这首次被应用于结合 CNN 的医学影像中。SELU 具有无参数且与小批量无关等重要优势，可能有助于克服训练期间的内存限制。使用来自 35 名患者在 Valsalva 动作、收缩及静息状态下的 91 张图像的数据集（均由三名操作员标注）进行留一患者交叉验证的训练与评估。结果显示中位 Dice 相似系数为 0.90，四分位距为 0.08，与三名操作员性能相当（Williams 指数为 1.03），且优于无需批量归一化的 U-Net 架构。我们得出结论，所提出的全自动方法在分割盆底裂孔方面达到了与先前半自动方法相当的精度。
引用
@article{arxiv.1712.06452,
title = {Automatic segmentation method of pelvic floor levator hiatus in ultrasound using a self-normalising neural network},
author = {Ester Bonmati and Yipeng Hu and Nikhil Sindhwani and Hans Peter Dietz and Jan D'hooge and Dean Barratt and Jan Deprest and Tom Vercauteren},
journal= {arXiv preprint arXiv:1712.06452},
year = {2018}
}