MR影像小腿肌间隔的全自动三维分割：邻域关系增强的全卷积网络
图像与视频处理
2020-12-23 v2 计算机视觉与模式识别
摘要
从三维磁共振（MR）图像中自动分割单个小腿肌间隔，对于开发用于肌肉疾病进展及其预测的定量生物标志物至关重要。由于肌肉形状和MR表现存在较大变异，获得临床可接受的结果是一项具有挑战性的任务。尽管深度卷积神经网络（DCNNs）在各种图像分割任务中取得了更高的精度，但利用长距离信息和引入高层约束等问题仍未解决。我们提出了一种称为FilterNet的新型全卷积网络（FCN），它利用大邻域中的上下文信息并嵌入边缘感知约束，用于单个小腿肌间隔的分割。采用带有灵活骨干块的编码器-解码器架构，以系统性地扩大卷积感受野并保留所有分辨率下的信息。从FCN输出的肌肉概率图导出的边缘位置，在端到端优化框架中使用基于核的边缘检测进行显式正则化。我们的FilterNet在10名健康受试者和30名患病受试者的40张T1加权MR图像上通过4折交叉验证进行了评估。五个三维肌间隔的平均DICE系数为88.00%--91.29%，平均绝对表面定位误差为1.04--1.66 mm。
引用
@article{arxiv.2006.11930,
title = {Fully Automated 3D Segmentation of MR-Imaged Calf Muscle Compartments: Neighborhood Relationship Enhanced Fully Convolutional Network},
author = {Zhihui Guo and Honghai Zhang and Zhi Chen and Ellen van der Plas and Laurie Gutmann and Daniel Thedens and Peggy Nopoulos and Milan Sonka},
journal= {arXiv preprint arXiv:2006.11930},
year = {2020}
}
备注
To be appeared in journal Computerized Medical Imaging and Graphics