基于生成模型的缺血性卒中病灶分割
图像与视频处理
2019-06-07 v1 计算机视觉与模式识别
机器学习
摘要
CT 灌注（CTP）因其快速、易获取且无禁忌症，已被用于早期缺血性卒中患者的分诊。基于 CTP 数据还可计算灌注参数，包括脑血容量（CBV）、脑血流量（CBF）、平均通过时间（MTT）和达峰时间（Tmax）。然而，CTP 数据或灌注参数在定位梗死核心或缺血半暗带（危险组织）时存在模糊性，后者通常通过随访弥散加权成像（DWI）或灌注-弥散不匹配来确认。本文提出一种新颖的基于生成模型的分割框架，由提取器、生成器和分割器组成，用于缺血性卒中病灶分割。首先，提取器用于从 CTP 特征图像中直接提取代表性特征图像。其次，生成器利用提取器的输出与灌注参数生成临床相关的 DWI 图像。最后，分割器利用生成器生成的 DWI 精确分割缺血性卒中病灶。同时，采用一种新颖的像素-区域损失函数，即广义 Dice 结合加权交叉熵，以处理医学图像分割中常见的数据不平衡问题。所有网络均使用 2018 年缺血性卒中病灶分割挑战赛（ISLES）数据集从头端到端训练，我们的方法在 2018 年缺血性卒中病灶分割挑战赛测试阶段获得第一名。
引用
@article{arxiv.1906.02392,
title = {Generative Model-Based Ischemic Stroke Lesion Segmentation},
author = {Tao Song},
journal= {arXiv preprint arXiv:1906.02392},
year = {2019}
}