基于多图谱引导的三维全卷积网络集成的脑分割
计算机视觉与模式识别
2023-08-11 v2
摘要
在本研究中，我们提出并验证了一种多图谱引导的三维全卷积网络（FCN）集成模型（M-FCN），用于从结构磁共振图像（MRIs）中分割脑感兴趣区域（ROIs）。现有最先进的三维 FCN 分割模型的一个主要局限是，它们在训练和测试过程中常采用固定大小的图像块，这可能遗漏不同脑 ROI 的一些复杂组织外观模式。为克服该局限，我们针对每个 ROI 使用自适应大小的图像块训练三维 FCN 模型，并将卷积层输出嵌入反卷积层以进一步捕获局部与全局上下文模式。此外，通过在 M-FCN 中引入多图谱引导，我们的分割由图像与标签信息结合生成，具有高度鲁棒性。为减少 FCN 模型在训练数据上的过拟合，我们在学习过程中采用了集成策略。我们在两个脑 MRI 数据集上进行了评估，分别旨在分割 14 个皮层下与脑室结构以及 54 个脑 ROI。将所提方法的分割结果与最先进的多图谱分割方法及已有三维 FCN 分割模型进行比较，结果表明所提方法具有更优的分割性能。
引用
@article{arxiv.1901.01381,
title = {Brain segmentation based on multi-atlas guided 3D fully convolutional network ensembles},
author = {Jiong Wu and Xiaoying Tang},
journal= {arXiv preprint arXiv:1901.01381},
year = {2023}
}