基于共识银标准掩膜的脑MR图像卷积神经网络去颅骨方法
计算机视觉与模式识别
2018-04-16 v1
摘要
用于医学影像的卷积神经网络（CNN）受训练阶段所需标注数据数量的限制。通常，人工标注被视为“金标准”。然而，包含专家手动分割的医学影像数据集十分匮乏，因为该步骤耗时且昂贵。此外，数据驱动方法最常使用单评分者手动标注，使得网络仅针对该单一专家达到最优。本工作中，我们提出一种用于磁共振（MR）成像中脑提取的CNN，其完全使用我们所称的银标准掩膜进行训练。我们的方法包括：1）构建以“银标准”掩膜为输入的数据库，并实现2）使用并行2D U-Net基CNN的三平面方法（称为CONSNet）以及3）CONSNet的自动上下文实现。CONSNet一词指我们的集成方法，即使用银标准掩膜训练并采用2D U-Net基架构。我们的结果显示，我们优于（即更大的Dice系数）当前最先进的SS方法。我们对银标准掩膜的使用降低了人工标注成本，减少了评分者间与评分者内变异性，并避免了使用金标准掩膜时可能出现的CNN分割对某一特定人工标注指南的过度专门化。此外，银标准掩膜的使用大幅扩大了输入标注数据的规模，因为我们可以相对容易地为未标注数据生成标签。另外，我们的方法具有如下优势：一旦训练完成，使用现代硬件（如高端图形处理单元）处理典型脑图像体仅需数秒。相比之下，许多其他竞争方法的处理时间在分钟量级。
引用
@article{arxiv.1804.04988,
title = {Convolutional Neural Networks for Skull-stripping in Brain MR Imaging using Consensus-based Silver standard Masks},
author = {Oeslle Lucena and Roberto Souza and Leticia Rittner and Richard Frayne and Roberto Lotufo},
journal= {arXiv preprint arXiv:1804.04988},
year = {2018}
}