利用卷积神经网络自动分割脊髓与髓内多发性硬化病灶
计算机视觉与模式识别
2018-09-13 v2
摘要
在多发性硬化（MS）患者中，脊髓常受萎缩和/或病灶影响。从 MRI 数据中分割脊髓与病灶可提供损伤度量，这些是 MS 诊断、预后和纵向监测的关键标准。将该操作自动化可消除评分者间差异，并提高大通量分析流程的效率。跨多中心脊髓数据的鲁棒可靠分割具有挑战性，因为采集参数与图像伪影导致巨大变异性。本研究旨在开发一个完全自动化的框架，对图像参数与临床状态变异均具鲁棒性，用于从常规 MRI 数据分割脊髓与髓内 MS 病灶。这项多中心研究（n=30）纳入了 1,042 名受试者的扫描（459 名健康对照、471 名 MS 患者、112 名其他脊髓病变者）。数据涵盖三种对比度（T1、T2 和 T2* 加权），共计 1,943 个体积。所提出的脊髓与病灶自动分割方法基于两个卷积神经网络（CNN）的序列。为处理脊髓和/或病灶体素相对于体积其余部分占比极小的问题，第一个采用 2D 膨胀卷积的 CNN 检测脊髓中心线，随后第二个采用 3D 卷积的 CNN 分割脊髓和/或病灶。与手动分割相比，我们基于 CNN 的方法中位 Dice 为 95%，而最先进脊髓分割方法 PropSeg 为 88%。在 MS 数据病灶分割方面，我们的框架 Dice 为 60%，相对体积差为 -15%，病灶级检测灵敏度与精度分别为 83% 和 77%。所提框架为开源，可在 Spinal Cord Toolbox 中直接获取。
引用
@article{arxiv.1805.06349,
title = {Automatic segmentation of the spinal cord and intramedullary multiple sclerosis lesions with convolutional neural networks},
author = {Charley Gros and Benjamin De Leener and Atef Badji and Josefina Maranzano and Dominique Eden and Sara M. Dupont and Jason Talbott and Ren Zhuoquiong and Yaou Liu and Tobias Granberg and Russell Ouellette and Yasuhiko Tachibana and Masaaki Hori and Kouhei Kamiya and Lydia Chougar and Leszek Stawiarz and Jan Hillert and Elise Bannier and Anne Kerbrat and Gilles Edan and Pierre Labauge and Virginie Callot and Jean Pelletier and Bertrand Audoin and Henitsoa Rasoanandrianina and Jean-Christophe Brisset and Paola Valsasina and Maria A. Rocca and Massimo Filippi and Rohit Bakshi and Shahamat Tauhid and Ferran Prados and Marios Yiannakas and Hugh Kearney and Olga Ciccarelli and Seth Smith and Constantina Andrada Treaba and Caterina Mainero and Jennifer Lefeuvre and Daniel S. Reich and Govind Nair and Vincent Auclair and Donald G. McLaren and Allan R. Martin and Michael G. Fehlings and Shahabeddin Vahdat and Ali Khatibi and Julien Doyon and Timothy Shepherd and Erik Charlson and Sridar Narayanan and Julien Cohen-Adad},
journal= {arXiv preprint arXiv:1805.06349},
year = {2018}
}
备注
38 pages, 7 figures, 2 tables