扩展的二维共识海马体分割
摘要
海马体分割在诊断各种脑部疾病（如阿尔茨海默病、癫痫、多发性硬化、癌症、抑郁症等）中起着关键作用。如今，分割仍主要由专家手动完成。专家所做的分割在评估自动化方法时被视为金标准，但这是一项耗时且艰巨的任务，需要专业人员。近年来，人们已努力以实现可靠的自动化分割。多年来，性能最佳的自动方法是基于多图谱的，Dice 系数约为 80-85% 且非常耗时，但机器学习方法近来兴起，在时间和精度性能上颇具前景。本文提出一种基于三平面 U-Net 启发的全卷积网络（FCNNs）共识的体积海马体分割方法，并做了一些修改，包括残差连接、VGG 权重迁移、批归一化以及一种利用邻域块数据的块提取技术。我们研究了这些修改对经典 U-Net 架构的影响。我们的方法在自有数据集上达到了前沿性能，测试数据中体积 Dice 精度约为 96%。在公开验证数据集 HARP 上，我们达到 87.48% 的 DICE。GPU 执行时间对每个体积约为秒级，且源代码公开可用。此外，在第三个无手动标注的数据集中，掩码被证明与其他近期最先进的海马体分割方法相似。
引用
@article{arxiv.1902.04487,
title = {Extended 2D Consensus Hippocampus Segmentation},
author = {Diedre Carmo and Bruna Silva and Clarissa Yasuda and Letícia Rittner and Roberto Lotufo},
journal= {arXiv preprint arXiv:1902.04487},
year = {2020}
}
备注
This was published as an extended abstract in MIDL 2019 [arXiv:1907.08612]. An alpha version of the code is available at https://github.com/dscarmo/e2dhipseg. More experiments on improvements to the method and code are ongoing. Future updates are to be expected. A new, more complete paper is published in arXiv:2001.05058