Deep Mouse：一种用于胚胎小鼠超声体数据中脑室与身体分割的端到端自上下文精炼框架
图像与视频处理
2019-10-31 v2 计算机视觉与模式识别
机器学习
摘要
高频超声（HFU）因其无创与实时特性，非常适用于胚胎小鼠成像。然而，脑室（BVs）与身体的手动分割需要大量时间与专业知识。本工作提出一种新颖的基于深度学习的端到端自上下文精炼框架，包含两个阶段。第一阶段同时产生 BV 与身体的低分辨率分割。随后，每个目标（BV 或身体）所得概率图用于在原始图像与概率图中裁剪目标物体周围的感兴趣区域（ROI），为精炼分割网络提供上下文。两阶段的联合训练使 Dice 相似系数（DSC）较仅用第一阶段显著提升（BV 由 0.818 至 0.906，身体由 0.919 至 0.934）。所提方法将推理时间显著减少（102.36 至 0.09 秒/体数据，约快 1000 倍），同时较先前采用滑窗的方法精度略有提高。
引用
@article{arxiv.1910.09061,
title = {Deep Mouse: An End-to-end Auto-context Refinement Framework for Brain Ventricle and Body Segmentation in Embryonic Mice Ultrasound Volumes},
author = {Tongda Xu and Ziming Qiu and William Das and Chuiyu Wang and Jack Langerman and Nitin Nair and Orlando Aristizabal and Jonathan Mamou and Daniel H. Turnbull and Jeffrey A. Ketterling and Yao Wang},
journal= {arXiv preprint arXiv:1910.09061},
year = {2019}
}
备注
Full Paper Submission to ISBI 2020