基于 7T 扩散 MRI 的半监督深度上下文感知学习的深部小脑核团分割
图像与视频处理
2020-06-02 v3 计算机视觉与模式识别
机器学习
机器学习
摘要
深部小脑核团是小脑的关键结构，参与处理运动和感觉信息。因此，准确分割深部小脑核团是理解小脑系统及其在脑深部刺激治疗中效用的关键步骤。然而，在标准临床磁共振成像 (MRI) 协议下清晰可视化此类小核团极具挑战性，因此无法实现精确分割。7T MRI 技术的最新进展以及深度神经网络的巨大潜力促进了针对患者的自动分割。在本文中，我们提出了一种新颖的深度学习框架（称为 DCN-Net），用于在 7T 扩散 MRI 上快速、准确且稳健地分割针对患者的深部小脑齿状核和插入核。DCN-Net 通过所提出的膨胀密集块，在不进行连续池化操作且不增加复杂度的情况下，有效编码了图像块的上下文信息。在端到端训练期间，利用混合损失函数独立学习齿状核和插入核的标签概率，以处理高度不平衡的数据。最后，我们采用自训练策略来应对标注数据有限的问题。为此，通过使用在手动标签上训练的 DCN-Net，在未标注数据上生成齿状核和插入核的辅助标签。我们使用来自 60 名受试者的 7T B0 MRI 对所提出的框架进行了验证。实验结果表明，在准确性和一致性方面，DCN-Net 提供了优于基于图谱的深部小脑核团分割工具和其他最先进深度神经网络的分割效果。我们进一步证明了 DCN-Net 内所提组件在齿状核和插入核分割中的有效性。
引用
@article{arxiv.2004.09788,
title = {Deep Cerebellar Nuclei Segmentation via Semi-Supervised Deep Context-Aware Learning from 7T Diffusion MRI},
author = {Jinyoung Kim and Remi Patriat and Jordan Kaplan and Oren Solomon and Noam Harel},
journal= {arXiv preprint arXiv:2004.09788},
year = {2020}
}
备注
56 pages (one column), 13 figures, 5 tables, supplementary materials, Accepted for publication in IEEE Access