基于N4偏差场校正和各向异性扩散预处理技术的概率图谱与深度学习方法在MRI自动脑组织分割中的比较研究
图像与视频处理
2024-11-11 v1 计算机视觉与模式识别
机器学习
摘要
从磁共振成像(MRI)图像自动分割脑组织对于医学成像的准确诊断和进一步分析至关重要。尽管分割技术取得了进展，但使用N4偏差场校正和各向异性扩散等预处理技术对传统统计方法与现代深度学习方法进行全面比较仍未被充分探索。本研究对多种分割模型进行了比较分析，包括概率图谱(Probabilistic ATLAS)、U-Net、nnU-Net和LinkNet，并结合这些预处理技术在互联网脑分割存储库(IBSR18)数据集上分割脑组织（白质(WM)、灰质(GM)和脑脊液(CSF)）。我们的结果表明3D nnU-Net模型表现最优，达到了最高的平均Dice系数(0.937±0.012)，而2D nnU-Net模型在五个未见测试样本上记录了最低的平均Hausdorff距离(5.005±0.343 mm)和最低的平均绝对体积差(3.695±2.931 mm)。这些结果凸显了nnU-Net模型在脑组织分割中的优越性，特别是在结合N4偏差场校正和各向异性扩散预处理技术时。我们实现的代码可通过GitHub获取。
引用
@article{arxiv.2411.05456,
title = {Comparative Study of Probabilistic Atlas and Deep Learning Approaches for Automatic Brain Tissue Segmentation from MRI Using N4 Bias Field Correction and Anisotropic Diffusion Pre-processing Techniques},
author = {Mohammad Imran Hossain and Muhammad Zain Amin and Daniel Tweneboah Anyimadu and Taofik Ahmed Suleiman},
journal= {arXiv preprint arXiv:2411.05456},
year = {2024}
}