EVAC+：具有深度特征 CRF 层和多尺度 V-net 的脑提取方法
图像与视频处理
2023-01-09 v3 计算机视觉与模式识别
摘要
脑提取是 3D 脑 MRI 数据预处理的步骤之一，也是任何后续脑成像分析的先决条件。然而，由于脑和 human 头部的复杂结构，它并非简单的分割问题。尽管文献中已提出多种解决方案，我们仍远未拥有真正鲁棒的方法。先前方法使用带结构/几何先验的机器学习，随着深度学习（DL）的发展，提出的神经网络架构有所增加。多数模型聚焦于改进训练数据和损失函数，而架构改动甚微。然而，具有专家标注真值的可获取训练数据量在各组间存在差异。此外，标签并非从头创建，而是来自非 DL 方法的输出。因此，多数 DL 方法的性能取决于所拥有数据的数量与质量。本文中，我们提出一种称为 EVAC+ 的新架构以规避此问题。我们展示 EVAC+ 相较其他网络有 3 大优势：（1）带有限随机增强的多尺度输入以实现高效学习，（2）使用条件随机场循环层的独特方式，以及（3）专为增强此架构而创建的损失函数。我们将模型与最先进的非 DL 和 DL 方法比较。结果表明，即使在传统架构上改动甚少且训练资源有限的情况下，EVAC+ 仍实现了高且稳定的 Dice 系数和 Jaccard 指数，以及理想的更低表面距离。最终，我们的模型提供了一种鲁棒方式，可准确减少脑复杂多组织界面区域的分割误差。
引用
@article{arxiv.2206.02837,
title = {EVAC+: Multi-scale V-net with Deep Feature CRF Layers for Brain Extraction},
author = {Jong Sung Park and Shreyas Fadnavis and Eleftherios Garyfallidis},
journal= {arXiv preprint arXiv:2206.02837},
year = {2023}
}
备注
Replaced with advancements in the model and results