DeepNAT：用于神经解剖学分割的深度卷积神经网络

我们介绍 DeepNAT，一个用于在 T1 加权磁共振图像中自动分割神经解剖学的 3D 深度卷积神经网络。DeepNAT 是一种端到端的基于学习的脑分割方法，它联合学习抽象特征表示和多类分类。我们提出一种基于 3D 图像块的方法，不仅预测图像块的中心体素，还预测其邻域体素，这被形式化为多任务学习。为解决类别不平衡问题，我们分层排列两个网络，第一个网络分离前景与背景，第二个网络在前景上识别 25 个脑结构。由于图像块缺乏空间上下文，我们用坐标对其进行增强。为此，我们引入一种新颖的脑体积内蕴参数化方法，由 Laplace-Beltrami 算子的特征函数构成。作为网络架构，我们使用三个带有池化、批归一化和非线性激活的卷积层，后接带有 dropout 的全连接层。最终分割由网络的概率输出通过一个 3D 全连接条件随机场推断得出，该随机场确保了邻近体素间的标签一致性。网络中约 270 万个参数通过随机梯度下降学习得到。我们的结果表明，DeepNAT 与最先进方法相比具有优势。最后，这种纯粹基于学习的方法可能具有很高的潜力，可通过在目标应用上使用小型训练样本微调预训练网络，来适应年轻、年老或患病的大脑，而未来更大规模手工标注数据集的可用性可能会提升整体分割精度。