深度CNN集成与提示性标注用于婴儿脑MRI分割
计算机视觉与模式识别
2017-12-20 v2
摘要
婴儿脑组织的精确三维分割是全面体积研究和早期脑发育定量分析的重要步骤。然而，计算此类分割极具挑战性，尤其对于6个月婴儿脑，原因在于图像质量差，以及婴儿脑MRI固有的其他困难，例如白质与灰质之间的等强度对比，以及因脑体积小导致的严重部分容积效应。本研究采用半稠密全卷积神经网络(CNNs)集成来探讨该问题，其以T1加权和T2加权MR图像作为输入。我们证明集成一致性并与分割误差高度相关。因此，我们的方法提供了可指导局部用户修正的度量。据我们所知，本工作是首个用于图像内建议标注的三维CNN集成。此外，受近期稠密网络成功的启发，我们提出一种新颖架构SemiDenseNet，其将所有卷积层直接连接到网络末端。我们的架构在训练期间允许梯度的有效传播，同时限制参数数量，所需参数比3D U-Net等流行的医学图像分割网络少一个数量级。我们工作的另一贡献是研究多种图像模态的早期或晚期融合对深度架构性能的影响。我们报告了在MICCAI iSEG-2017挑战赛6个月婴儿脑MRI分割公开数据上方法的评估，并在21支队伍中展现出极具竞争力的结果，在大多数指标上排名第一或第二。
引用
@article{arxiv.1712.05319,
title = {Deep CNN ensembles and suggestive annotations for infant brain MRI segmentation},
author = {Jose Dolz and Christian Desrosiers and Li Wang and Jing Yuan and Dinggang Shen and Ismail Ben Ayed},
journal= {arXiv preprint arXiv:1712.05319},
year = {2017}
}