融合结构连通性先验的上下文感知细化网络用于脑中线描绘
计算机视觉与模式识别
2020-07-13 v1
摘要
脑中线描绘可辅助脑中线移位的临床评估，这在多种脑疾病的诊断与预后中起着重要作用。然而，脑中线描绘仍面临巨大挑战，例如由占位效应引起的严重变形中线，以及预测的 midline 不是连通曲线的可能形态学失败。为应对这些挑战，我们提出一种上下文感知细化网络（CAR-Net）来细化并整合由 UNet 生成的特征金字塔表示。因此，所提出的 CAR-Net 探索了更具判别力的上下文特征与更大的感受野，这对预测严重变形的中线至关重要。为保持脑中线的结构连通性，我们引入一种新颖的连通性正则损失（CRL）来惩罚相邻坐标间的不连通性。此外，我们解决了先前基于回归的方法所忽略的前提条件，即脑 CT 图像必须处于标准姿态。我们提出一个简单的姿态校正网络，将源输入图像对齐到标准姿态图像。在 CQ 数据集与一个内部数据集上的大量实验结果表明，所提方法参数更少，并在四项评估指标上优于三种最先进（SOTA）的方法。代码见 https://github.com/ShawnBIT/Brain-Midline-Detection。
引用
@article{arxiv.2007.05393,
title = {Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation},
author = {Shen Wang and Kongming Liang and Yiming Li and Yizhou Yu and Yizhou Wang},
journal= {arXiv preprint arXiv:2007.05393},
year = {2020}
}