基于贝叶斯卷积神经网络的非人灵长类 MRI 脑提取
图像与视频处理
2020-05-19 v1 计算机视觉与模式识别
摘要
磁共振图像（MRI）的脑提取或颅骨剥离是神经影像研究中的关键步骤，其精度会严重影响后续图像处理流程。当前自动脑提取方法在人脑上表现良好，但在非人灵长类（神经科学研究的必要组成部分）上往往远不能令人满意。为克服非人灵长类脑提取的挑战，我们提出一种结合深度贝叶斯卷积神经网络（CNN）与全连接三维（3D）条件随机场（CRF）的全自动脑提取流程。深度贝叶斯 CNN，即 Bayesian SegNet，被用作核心分割引擎。作为一个概率网络，它不仅能进行准确的高分辨率逐像素脑分割，还能通过在测试阶段使用 dropout 的蒙特卡洛采样来度量模型不确定性。随后，全连接 3D CRF 用于在脑体积的整个 3D 上下文中细化 Bayesian SegNet 的概率结果。所提方法在一个包含 100 只非人灵长类 T1w 图像的手动脑提取数据集上进行了评估。我们的方法以 0.985 的平均 Dice 系数和 0.220 mm 的平均对称表面距离优于六种流行的公开脑提取工具包和三种成熟的基于深度学习的方法。统计检验（所有 p 值 < 10^-4，双侧，Bonferroni 校正）验证了相对于所有对比方法的更优性能。模型在非人灵长类脑提取上的最大不确定性在全部 100 个受试者上的均值为 0.116……
引用
@article{arxiv.2005.08460,
title = {Bayesian convolutional neural network based MRI brain extraction on nonhuman primates},
author = {Gengyan Zhao and Fang Liu and Jonathan A. Oler and Mary E. Meyerand and Ned H. Kalin and Rasmus M. Birn},
journal= {arXiv preprint arXiv:2005.08460},
year = {2020}
}
备注
37 pages, 14 figures