基于深度学习粗到细框架的3D TOF-MRA脑动脉瘤分割
图像与视频处理
2021-10-27 v1 计算机视觉与模式识别
摘要
背景与目的：脑动脉瘤是最常见的脑血管疾病之一，其破裂引起的蛛网膜下腔出血（SAH）具有极高的致死率和致残率。现有基于深度学习模型（DLM）结合TOF-MRA模态的自动分割方法不能很好地分割边缘体素，因此我们的目标是在DLM的辅助下实现3D TOF-MRA中脑动脉瘤的更精准分割。材料与方法：本研究提出一种3D TOF-MRA脑动脉瘤自动分割框架。该框架由两个从粗到细的分割网络组成。粗分割网络即DeepMedic完成脑动脉瘤的粗分割，处理结果送入细分割网络，即采用加权损失函数训练的双通道SE_3D U-Net进行精细分割。来自ADAM2020的图像（n=113）用于训练与验证，来自另一中心的图像（n=45）用于测试。我们使用的分割指标包括DSC、HD和VS。结果：训练后的脑动脉瘤分割模型在验证队列上达到DSC 0.75、HD 1.52、VS 0.91。在完全独立的测试队列上，与当前最优分割网络相比，我们的方法取得了最高的DSC 0.12、最低的HD 11.61和最高的VS 0.16。结论：由DeepMedic和双通道SE_3D U-Net组成的粗到细框架能够以优越的精度分割3D TOF-MRA中的脑动脉瘤。
引用
@article{arxiv.2110.13432,
title = {Deep Learning-based Segmentation of Cerebral Aneurysms in 3D TOF-MRA using Coarse-to-Fine Framework},
author = {Meng Chen and Chen Geng and Dongdong Wang and Jiajun Zhang and Ruoyu Di and Fengmei Li and Zhiyong Zhou and Sirong Piao and Yuxin Li and Yaikang Dai},
journal= {arXiv preprint arXiv:2110.13432},
year = {2021}
}