FastSurferVINN：将分辨率无关性构建入深度学习分割方法——一种高分辨率脑 MRI 的解决方案
图像与视频处理
2022-11-01 v2 计算机视觉与模式识别
摘要
领先的神经影像研究已将 3T MRI 采集分辨率推至 1.0 mm 以下，以改善结构定义与形态测量。然而，仅有少数耗时的自动化图像分析流程针对高分辨率（HiRes）设置经过验证。另一方面，高效的深度学习方法很少支持多于一种固定分辨率（通常为 1.0 mm）。此外，缺乏标准的亚毫米分辨率，以及具有足够扫描仪、年龄、疾病或遗传方差覆盖的多样化 HiRes 数据有限，为训练 HiRes 网络带来了额外未解决的挑战。将分辨率无关性引入基于深度学习的分割，即在不同体素尺寸范围内以原生分辨率分割图像的能力，有望克服这些挑战，但目前尚无此类方法。我们现在通过引入用于分辨率无关分割任务的体素大小无关神经网络（VINN）来填补这一空白，并推出 FastSurferVINN，其（i）作为首个同时支持 0.7–1.0 mm 全脑分割的方法，为深度学习确立并实现了分辨率无关性；（ii）在各分辨率下显著优于最先进方法；（iii）缓解了 HiRes 数据集中存在的数据不平衡问题。总体而言，内部分辨率无关性使 HiRes 与 1.0 mm MRI 分割互利。凭借我们严格验证的 FastSurferVINN，我们发布了一款用于形态测量神经影像分析的快速工具。此外，VINN 架构代表了一种可更广泛应用的高效分辨率无关分割方法。
引用
@article{arxiv.2112.09654,
title = {FastSurferVINN: Building Resolution-Independence into Deep Learning Segmentation Methods -- A Solution for HighRes Brain MRI},
author = {Leonie Henschel and David Kügler and Martin Reuter},
journal= {arXiv preprint arXiv:2112.09654},
year = {2022}
}
备注
accepted at NeuroImage