用卷积神经网络分类磁共振图像模态
计算机视觉与模式识别
2018-04-18 v2
摘要
磁共振（MR）成像可根据采集协议与组织的磁特性获取具有不同对比性质的图像。许多 MR 脑图像处理技术（如组织分割）需要多种 MR 对比作为输入，且每种对比被区别对待。因此，出于多种目的自动化识别图像对比是有利的，例如促进图像处理流程，以及通过基于内容的图像检索（CBIR）管理和维护大型数据库。大多数自动化 CBIR 技术聚焦于两步过程：从数据中提取特征并基于这些特征分类图像。我们提出一种新颖的基于 3D 深度卷积神经网络（CNN）的 MR 图像对比分类方法。所提 CNN 自动识别输入脑图像体的 MR 对比。具体而言，我们探究了三类分类问题：（1）识别 T1 加权（T1-w）、T2 加权（T2-w）与液体衰减反转恢复（FLAIR）对比，（2）识别对比前与对比后 T1，（3）识别对比前与对比后 FLAIR。共使用了来自多站点多扫描仪的 3418 个图像体。为评估每项任务，所提模型在 2137 张图像上训练并在其余 1281 张图像上测试。结果显示图像体被正确分类的准确率达 97.57%。
引用
@article{arxiv.1804.05764,
title = {Classifying magnetic resonance image modalities with convolutional neural networks},
author = {Samuel Remedios and Dzung L. Pham and John A. Butman and Snehashis Roy},
journal= {arXiv preprint arXiv:1804.05764},
year = {2018}
}
备注
Github: https://github.com/sremedios/phinet