基于深度三维全卷积 DenseNet 的排他独立概率估计：在等强度婴儿脑 MRI 分割中的应用
计算机视觉与模式识别
2018-12-11 v3
摘要
最新快速且准确的图像分割方法构建于全卷积深度神经网络之上。在本文中，我们提出针对 DenseNet 的深度学习新策略，以改进对强度值与特征差异细微的图像的分割。我们的目标是在约 6 个月龄的婴儿脑 MRI 上分割脑组织，此时发育中脑的白质与灰质呈现相似的 T1 和 T2 弛豫时间，因而在 T1 加权和 T2 加权 MRI 扫描上均表现为相似的强度值。因此，该年龄段的脑组织分割极具挑战性。为此，我们提出一种排他性多标签训练策略，利用自动依据类别普遍程度平衡训练的相似度损失函数分割互斥的脑组织。借助我们提出的基于相似度损失函数的训练策略与块预测融合，我们减少了网络中的参数数量，降低了训练过程的复杂度，将注意力集中于更少任务，同时缓解了标签间数据不平衡及块边界附近不精确的影响。利用这些策略，我们能够实现快速图像分割（每个 3D 体积 90 秒），所使用的网络参数少于许多最先进网络，克服了诸如 3D 对 2D 训练以及大对小块尺寸选择等问题，同时根据官方挑战测试结果，在等强度婴儿脑 MRI 分割（iSeg）挑战的第一轮与第二轮提交的所有测试方法中取得了脑组织分割的最佳性能。我们提出的策略通过平衡训练与降低复杂度改进了训练过程，同时提供了一个适用于任意尺寸输入图像、快速且比许多最先进方法更准确的训练模型。
引用
@article{arxiv.1809.08168,
title = {Exclusive Independent Probability Estimation using Deep 3D Fully Convolutional DenseNets: Application to IsoIntense Infant Brain MRI Segmentation},
author = {Seyed Raein Hashemi and Sanjay P. Prabhu and Simon K. Warfield and Ali Gholipour},
journal= {arXiv preprint arXiv:1809.08168},
year = {2018}
}