CEREBRUM：一种用于扫描仪外MRI脑结构弱监督分割的快速全体积卷积编解码器
图像与视频处理
2019-09-27 v2 计算机视觉与模式识别
摘要
许多功能与结构神经影像研究需要从MRI扫描的图像强度值出发，对不同脑结构进行准确的形态测量分割。当前基于(多)图谱的自动分割策略在难分割脑结构上往往缺乏准确性，且由于这些方法依赖于图谱到扫描的对齐，可能耗费较长处理时间。近来，部署基于卷积神经网络(CNNs)解决方案的方法正使扫描仪外数据的直接分析成为可能。然而，当前基于CNN的方案将测试体数据划分为2D或3D块并独立处理。这导致全局上下文信息的丢失，从而对分割精度产生负面影响。在本工作中，我们设计并测试了一种优化的端到端CNN架构，使全局空间信息的利用在计算上可行，从而能够一次性处理整个MRI体数据。我们采用弱监督学习策略，利用由947张扫描仪外(3 Tesla T1加权1mm各向同性MP-RAGE 3D序列)MR图像组成的大型数据集。所得模型能够在仅数秒内产生准确的多结构分割结果。不同的定量度量表明，与最先进技术相比，我们的解决方案精度有所提升。此外，通过一项涉及神经科学专家的随机调查，我们表明主观评判明显偏好我们的方案而非广泛采用的基于图谱的FreeSurfer软件。
引用
@article{arxiv.1909.05085,
title = {CEREBRUM: a fast and fully-volumetric Convolutional Encoder-decodeR for weakly-supervised sEgmentation of BRain strUctures from out-of-the-scanner MRI},
author = {Dennis Bontempi and Sergio Benini and Alberto Signoroni and Michele Svanera and Lars Muckli},
journal= {arXiv preprint arXiv:1909.05085},
year = {2019}
}
备注
15 pages, 6 figures