脑图谱引导注意力 U-Net 用于白质高信号分割
图像与视频处理
2020-12-23 v2 计算机视觉与模式识别
摘要
白质高信号（WMH）是脑小血管病（cSVD）在脑 MRI 上最常见的表现。准确的 WMH 分割算法对于确定 cSVD 负荷及其临床后果十分重要。现有多数 WMH 分割算法需要液体衰减反转恢复（FLAIR）图像与 T1 加权图像共同作为输入。然而，T1 加权图像通常不属于为急性卒中患者采集的标准临床扫描。本文提出一种新颖的脑图谱引导注意力 U-Net（BAGAU-Net），其仅利用 FLAIR 图像与空间配准的白质（WM）脑图谱，即可取得有竞争力的 WMH 分割性能。具体而言，我们设计了一个双路径分割模型，带有两种新颖连接机制，即多输入注意力模块（MAM）与注意力融合模块（AFM），以融合两路信息从而获得准确结果。在两个公开数据集上的实验显示了所提 BAGAU-Net 的有效性。仅使用 FLAIR 图像与 WM 脑图谱，BAGAU-Net 优于使用 T1 加权图像的现有最优方法，为 WMH 分割的有效发展铺平了道路。可用性：https://github.com/Ericzhang1/BAGAU-Net
引用
@article{arxiv.2010.09586,
title = {Brain Atlas Guided Attention U-Net for White Matter Hyperintensity Segmentation},
author = {Zicong Zhang and Kimerly Powell and Changchang Yin and Shilei Cao and Dani Gonzalez and Yousef Hannawi and Ping Zhang},
journal= {arXiv preprint arXiv:2010.09586},
year = {2020}
}
备注
Accepted by AMIA 2021 Virtual Informatics Summit