用于磁共振成像中基于神经网络颅骨剥离的上下文编码方法
图像与视频处理
2019-10-25 v1 机器学习
机器学习
摘要
颅骨剥离通常是磁共振图像中大多数脑分析流程的第一步。许多基于深度学习神经网络的方法已被开发以实现更高精度。由于 3D 深度学习模型计算成本高且受 GPU 内存限制挑战，已开发出多种 2D 深度学习方法。然而，现有 2D 深度学习方法难以有效捕获实现更高精度所需的 3D 语义信息。本文中，我们提出一种上下文编码方法，使 2D 网络能够捕获 3D 上下文信息。对于该上下文编码方法，首先我们对原始 2D 网络的 2D 特征进行编码，其次我们对 3D MRI 图像子卷进行编码，最后我们通过语义编码分类损失融合编码后的 2D 特征与 3D 特征。为获得计算效率，尽管我们对 3D MRI 图像子卷进行编码而非构建 3D 神经网络，在三个基准数据集上的大量实验表明，我们的方法能以 NFBS 上 99.6%、LPBA40 上 99.09% 和 OASIS 上 99.17% 的 dice 分数实现优于最先进替代方法的精度。
引用
@article{arxiv.1910.10798,
title = {Context-endcoding for neural network based skull stripping in magnetic resonance imaging},
author = {Zhen Liu and Borui Xiao and Yuemeng Li and Yong Fan},
journal= {arXiv preprint arXiv:1910.10798},
year = {2019}
}
备注
draft for skull strip