用于 MR 图像中白质高信号分割的全卷积网络集成方法
计算机视觉与模式识别
2018-09-20 v3
摘要
白质高信号（WMH）常见于健康老年人大脑中，并与多种神经及老年性疾病相关。本文提出一项基于深度全卷积网络与集成模型的研究，利用液体衰减反转恢复（FLAIR）与 T1 磁共振（MR）扫描自动检测此类 WMH。该算法在 MICCAI 2017 的 WMH 分割挑战赛中评估并排名第 1。在评估阶段，算法实现提交至挑战赛组织者，由其在一组隐藏的来自 5 台扫描仪的 110 例数据上独立测试。在留出测试集上获得的平均 Dice 分数、精确率与鲁棒 Hausdorff 距离分别为 80%、84% 与 6.30mm。这些均为挑战赛中的最高成绩，表明所提方法达到了当前最优（state-of-the-art）。本文对系统的关键组件进行了详细描述与定量分析。此外，给出了跨扫描仪评估研究，探讨模态组合与数据增强如何影响系统的泛化能力。还研究了系统对不同扫描仪与协议的适应性。进一步给出了量化研究以测试集成规模的影响。此外，我们方法的软件与模型已公开可用。所提系统的有效性与泛化能力显示了其在真实临床实践中的潜力。
引用
@article{arxiv.1802.05203,
title = {Fully Convolutional Network Ensembles for White Matter Hyperintensities Segmentation in MR Images},
author = {Hongwei Li and Gongfa Jiang and Jianguo Zhang and Ruixuan Wang and Zhaolei Wang and Wei-Shi Zheng and Bjoern Menze},
journal= {arXiv preprint arXiv:1802.05203},
year = {2018}
}
备注
final version in NeuroImage