用于多图像模态缺血性脑卒中病灶分割的密集多路径 U-Net
计算机视觉与模式识别
2018-10-17 v1
摘要
在缺血性脑卒中病灶中描绘梗死组织对于确定这种危及生命状况的损伤程度和最优治疗至关重要。然而，由于缺血性脑卒中的位置和形状高度可变，该问题仍然具有挑战性。近来，全卷积神经网络（CNN），特别是基于 U-Net 的网络，在该任务上取得了性能提升。在本工作中，我们提出一种新颖架构，从三个重要方面改进标准基于 U-Net 的方法。首先，不是在输入处组合可用图像模态，而是每种模态在不同路径中处理以更好地利用其独特信息。此外，网络是密集连接的（即每层连接到所有后续层），在每个路径内和不同路径间皆是如此，类似于 HyperDenseNet。这使我们的模型能够自由学习模态应被处理和组合的尺度。最后，受 Inception 架构启发，我们通过用两个具有不同尺度空洞卷积的卷积块扩展 inception 模块来改进标准 U-Net 模块。这有助于处理病灶大小的变化。我们将 93 个卒中数据集拆分为分别包含 83 和 9 个样本的训练集和验证集。我们的网络在 NVidia TITAN XP GPU（16 GB 内存）上训练，使用 ADAM 作为优化器，学习率为 110，训练 200 个 epoch。训练耗时约 5 小时，平均分割整个体积耗时 0.2 至 2 秒。我们方法在测试集上的性能与若干基线以及采用分解空洞卷积的先进架构（即 ERFNet）进行比较，以证明我们架构的有效性。
引用
@article{arxiv.1810.07003,
title = {Dense Multi-path U-Net for Ischemic Stroke Lesion Segmentation in Multiple Image Modalities},
author = {Jose Dolz and Ismail Ben Ayed and Christian Desrosiers},
journal= {arXiv preprint arXiv:1810.07003},
year = {2018}
}
备注
Submitted to the MICCAI BrainLes proceedings