Deepbet：基于卷积神经网络的T1加权MRI快速脑提取
图像与视频处理
2023-08-15 v1 计算机视觉与模式识别
摘要
磁共振成像（MRI）数据中的脑提取是许多神经影像预处理流程中的重要分割步骤。图像分割是近年来深度学习影响最大的研究领域之一，其能够以最小的计算量实现高精度分割。因此，传统的脑提取方法正被基于深度学习的方法所取代。在此，我们使用一个独特的数据集，该数据集包含来自191项不同研究的568张T1加权（T1w）MR图像，并结合前沿的深度学习方法，构建了一个名为deepbet的快速、高精度脑提取工具。deepbet在两阶段预测过程中使用现代UNet架构LinkNet，这提升了其分割性能，在交叉验证中创下新的最优性能，在未见数据集上的中位Dice分数（DSC）为99.0%，优于当前最先进的模型（DSC = 97.8%和DSC = 97.9%）。当前方法对离群值更敏感，导致Dice分数低至76.5%，而deepbet对所有样本均能达到> 96.9%的Dice分数。最后，与当前方法相比，我们的模型将脑提取加速了约10倍，使得在低端硬件上处理一张图像仅需约2秒。
引用
@article{arxiv.2308.07003,
title = {Deepbet: Fast brain extraction of T1-weighted MRI using Convolutional Neural Networks},
author = {Lukas Fisch and Stefan Zumdick and Carlotta Barkhau and Daniel Emden and Jan Ernsting and Ramona Leenings and Kelvin Sarink and Nils R. Winter and Benjamin Risse and Udo Dannlowski and Tim Hahn},
journal= {arXiv preprint arXiv:2308.07003},
year = {2023}
}