BrainSegNet：一种将人脑纤维束成像数据分割为解剖学有意义聚类的网络
计算机视觉与模式识别
2017-10-17 v1
摘要
将脑纤维束成像数据分离为不同的且解剖学有意义的聚类有助于理解复杂的大脑结构以及各种神经疾病的早期调查和管理。我们提出了一种新颖的基于堆叠双向长短期记忆（LSTM）的分割网络（BrainSegNet），用于人脑纤维束成像数据的分类。我们执行了两级层次分类：a) 白质与灰质（宏观）和 b) 白质聚类（微观）。BrainSegNet在三个脑束成像数据上训练，每个数据超过250,000条纤维。我们的实验评估表明我们的模型取得了最先进的结果。我们在三名患者的脑束成像数据上进行了类间和类内测试，并在类内和类间脑测试场景下均获得了宏观和微观级别的高分类准确率。
引用
@article{arxiv.1710.05158,
title = {BrainSegNet : A Segmentation Network for Human Brain Fiber Tractography Data into Anatomically Meaningful Clusters},
author = {Tushar Gupta and Shreyas Malakarjun Patil and Mukkaram Tailor and Daksh Thapar and Aditya Nigam},
journal= {arXiv preprint arXiv:1710.05158},
year = {2017}
}
备注
Deep Learning in Irregular Domains - British Machine Vision Conference (DLID-BMVC)