基于深度学习的腕软骨 MR 图像全自动分割
医学物理
2020-06-12 v4
摘要
本研究旨在探讨一种专为从 2D MR 图像分割腕软骨而优化的专用卷积神经网络（CNN）的性能。该 CNN 采用平面架构和基于块（PB）的训练方法，确保在训练数据量有限的情况下获得最优性能。该 CNN 在十一名受试者（健康志愿者和患者）使用两种不同线圈采集的二十个多切片 MRI 数据集上进行了训练和验证。验证包括与用于从 MR 图像分割关节的替代最先进 CNN 方法以及金标准手动分割进行比较。在有限训练数据上训练时，该 CNN 显著优于基于图像和基于块的 U-Net 网络。我们的 PB-CNN 在具有大量软骨组织的代表性（中央冠状）切片中也显示出与手动分割良好的一致性（Sorensen-Dice 相似系数（DSC）= 0.81）。网络在软骨组织极少的切片上性能下降，表明需要全 3D 卷积网络以在整个关节上提供均匀性能。本研究还评估了手动腕软骨分割的观测者间和观测者内变异性（DSC 分别为 0.78-0.88 和 0.9）。所提出的基于深度学习的 MRI 腕软骨分割可促进腕骨关节炎新型影像标志物的研究，以表征其进展和治疗反应。
引用
@article{arxiv.1811.01123,
title = {Deep learning-based fully automatic segmentation of wrist cartilage in MR images},
author = {Ekaterina Brui and Aleksandr Y. Efimtcev and Vladimir A. Fokin and Remi Fernandez and Anatoliy G. Levchuk and Augustin C. Ogier and Alexey A. Samsonov and Jean. P. Mattei and Irina V. Melchakova and David Bendahan and Anna Andreychenko},
journal= {arXiv preprint arXiv:1811.01123},
year = {2020}
}