用于多中心水脂MRI中腹部脂肪组织库自动分割的全卷积网络
计算机视觉与模式识别
2018-11-02 v5
摘要
目的：研究一种利用两种不同神经网络架构，在多中心腹部水脂MRI扫描中自动分割内脏脂肪组织（VAT）和皮下脂肪组织（SAT）的方法。方法：在腹部水脂MRI数据上训练、评估并比较了U-Net和V-Net两种全卷积网络架构。使用Tellus研究的90例单中心扫描数据进行10折交叉验证，确定了两种网络最成功的配置。随后在青少年糖尿病与肥胖中β细胞功能（BetaJudo）多中心研究的20例扫描上测试这些配置，该数据涉及不同的研究人群和扫描设备。结果：U-Net在交叉验证和测试中均优于所采用的V-Net实现。在交叉验证中，U-Net达到的平均Dice系数为0.988（VAT）和0.992（SAT）。绝对量化误差的平均值分别为0.67%（VAT）和0.39%（SAT）。在多中心测试数据上，U-Net表现仅略差，平均Dice系数为0.970（VAT）和0.987（SAT），量化误差为2.80%（VAT）和1.65%（SAT）。结论：U-Net生成的分割可实现可靠量化，因此可用于大规模研究中VAT和SAT的高质量自动测量，且几乎不需要人工干预。在多中心测试数据上的高表现进一步表明，只要采用一致的成像协议，该方法对不同患者人群和影像中心的数据具有鲁棒性。
引用
@article{arxiv.1807.03122,
title = {Fully Convolutional Networks for Automated Segmentation of Abdominal Adipose Tissue Depots in Multicenter Water-Fat MRI},
author = {Taro Langner and Anders Hedström and Katharina Mörwald and Daniel Weghuber and Anders Forslund and Peter Bergsten and Håkan Ahlström and Joel Kullberg},
journal= {arXiv preprint arXiv:1807.03122},
year = {2018}
}
备注
Key words: deep learning, fully convolutional networks, segmentation, water-fat MRI, adipose tissue, abdominal