DBSegment：快速且鲁棒的脑深部结构分割——跨采集域的可迁移性评估
图像与视频处理
2022-05-20 v3 计算机视觉与模式识别
机器学习
神经元与认知
摘要
从磁共振图像中分割脑深部结构对于患者诊断、手术规划和研究非常重要。大多数当前最先进的解决方案采用基于配准的分割方法，将受试者的 MRI 映射到具有明确定义分割的模板上。然而，基于配准的流程非常耗时，从而限制了其临床应用。本文使用深度学习提供了一种鲁棒且高效的脑深部结构分割解决方案。该方法包括一个将所有 MRI 图像统一到相同方向的预处理步骤，随后是使用 nnU-Net 框架的卷积神经网络。我们使用了来自研究和临床收藏的共 14 个数据集。其中七个用于训练和验证，七个留作独立测试。我们训练网络分割 30 个脑深部结构以及一个脑掩膜，使用的标签由基于配准的方法生成。我们通过执行留一数据集交叉验证和在外部数据集上的广泛测试来评估网络的泛化能力。此外，我们通过在不同域上分别评估结果来评估跨域可迁移性。与基于配准的金标准相比，我们在独立测试数据集上取得了 0.89 0.04 的平均 DSC。在我们的测试系统上，计算时间从参考基于配准流程的 42 分钟减少到 1 分钟。我们提出的方法快速、鲁棒且具有高可靠性的泛化能力。它可以扩展到其他脑结构的分割。该方法已在 GitHub 上公开，并提供了 pip 包以便使用。
引用
@article{arxiv.2110.09473,
title = {DBSegment: Fast and robust segmentation of deep brain structures -- Evaluation of transportability across acquisition domains},
author = {Mehri Baniasadi and Mikkel V. Petersen and Jorge Goncalves and Andreas Horn and Vanja Vlasov and Frank Hertel and Andreas Husch},
journal= {arXiv preprint arXiv:2110.09473},
year = {2022}
}
备注
The data used have mistakes. No one has time to correct the data and add a new version, that is why we would like to retract it. Once we have the correct version we will resubmit to arxiv