基于深度神经网络的脑肿瘤分割
计算机视觉与模式识别
2016-05-23 v3 人工智能
摘要
本文提出一种基于深度神经网络（DNNs）的全自动脑肿瘤分割方法。所提网络专为MR图像中的胶质母细胞瘤（低级别和高级别）设计。由于其本质，这些肿瘤可出现在脑中任何位置，并具有几乎任意形状、大小和对比度。这些原因促使我们探索利用灵活、高容量DNN同时极其高效的机器学习解决方案。在此，我们描述我们发现对获得有竞争力性能所必需的不同模型选择。我们特别探索基于卷积神经网络（CNN）的不同架构，即特别适配图像数据的DNN。我们提出一种不同于传统计算机视觉中使用的新型CNN架构。我们的CNN同时利用局部特征以及更全局的上下文特征。此外，不同于大多数CNN的传统使用，我们的网络使用最终层作为全连接层的卷积实现，这允许40倍加速。我们还描述了一个两阶段训练过程，使我们能处理与肿瘤标签不平衡相关的困难。最后，我们探索级联架构，其中基础CNN的输出被视为后续CNN的附加信息源。在2013 BRATS测试数据集上报告的结果显示我们的架构优于当前已发表的最好水平，同时快30倍以上。
引用
@article{arxiv.1505.03540,
title = {Brain Tumor Segmentation with Deep Neural Networks},
author = {Mohammad Havaei and Axel Davy and David Warde-Farley and Antoine Biard and Aaron Courville and Yoshua Bengio and Chris Pal and Pierre-Marc Jodoin and Hugo Larochelle},
journal= {arXiv preprint arXiv:1505.03540},
year = {2016}
}