利用神经网络更深入地进行脑形态测量
图像与视频处理
2020-09-09 v1 计算机视觉与模式识别
机器学习
摘要
来自磁共振成像（MRI）的脑形态测量是许多神经退行性疾病的成熟生物标志物。该领域近期进展表明，深度卷积神经网络可在数秒内推断出形态测量值。然而，所设计模型对具有洞察力的生物标志物（平均曲率与厚度）的准确率仍不尽如人意。在本文中，我们提出了一种更准确高效的脑形态测量神经网络模型，名为HerstonNet。更具体地，我们开发了基于3D ResNet的神经网络以直接从MRI学习丰富特征，通过在多种分辨率特征图上预测形态测量值设计了多尺度回归方案，并借助鲁棒优化方法避免劣质极小值并降低预测方差。结果表明，HerstonNet在类内相关系数（一致性度量）方面较现有方法相对FreeSurfer银标准提升24.30%，同时保持有竞争力的运行时间。
引用
@article{arxiv.2009.03303,
title = {Going deeper with brain morphometry using neural networks},
author = {Rodrigo Santa Cruz and Léo Lebrat and Pierrick Bourgeat and Vincent Doré and Jason Dowling and Jurgen Fripp and Clinton Fookes and Olivier Salvado},
journal= {arXiv preprint arXiv:2009.03303},
year = {2020}
}