利用深度可分离卷积与注意力机制的级联网络增强通用胎儿脑MRI分割
图像与视频处理
2024-05-27 v1 计算机视觉与模式识别
摘要
由于胎儿发育的健康状态、运动伪影以及不同孕龄的变异性，胎儿脑部的自动分割仍然具有挑战性，因为现有方法依赖于健康胎儿的高质量数据集。本文提出了一种名为CasUNext的新型级联网络，以提高胎儿脑MRI分割的准确性和泛化能力。CasUNext结合了深度可分离卷积、注意力机制和两步级联架构，以实现高效的高精度分割。第一个网络定位胎儿脑区域，第二个网络专注于细节分割。我们在来自飞利浦和西门子两台扫描仪的150例孕20至36周胎儿MRI扫描（包括轴向、冠状和矢状视图）上评估了CasUNext，并在50例异常胎儿数据集上进行了验证。结果表明，与U-Net和其他最先进方法相比，CasUNext实现了改进的分割性能。它在多种场景下获得了平均Dice系数96.1%和平均交并比95.9%。CasUNext在处理多视图胎儿MRI和异常病例的挑战方面显示出有前景的能力，这可以促进各种定量分析并应用于多站点数据。
引用
@article{arxiv.2405.15205,
title = {Enhancing Generalized Fetal Brain MRI Segmentation using A Cascade Network with Depth-wise Separable Convolution and Attention Mechanism},
author = {Zhigao Cai and Xing-Ming Zhao},
journal= {arXiv preprint arXiv:2405.15205},
year = {2024}
}