利用级联3D卷积神经网络方法改进自动化多发性硬化病灶分割
计算机视觉与模式识别
2017-02-17 v1
摘要
本文提出一种用于多发性硬化（MS）患者图像的白质（WM）病灶分割的新型自动化方法。我们的方法基于两个3D块式卷积神经网络（CNN）的级联。第一个网络被训练为更敏感以揭示可能的候选病灶体素，而第二个网络被训练为减少来自第一个网络的错误分类体素数量。这种级联CNN架构倾向于从小训练集很好地学习，考虑到获取手动标签标注的困难以及大量可用的未标记磁共振成像（MRI）数据，这在实践中非常有意义。我们在公共MS病灶分割挑战MICCAI2008数据集上评估所提方法的准确性，并将其与其他最先进的MS病灶分割工具进行比较。此外，所提方法还在两个私有MS临床数据集上评估，其性能也与不同近期公开可用的最先进MS病灶分割方法比较。在撰写本文时，我们的方法是MICCAI2008挑战赛上排名最高的方法，在使用所有可用输入模态（T1加权、T2加权和FLAIR）时优于其余60种参与者方法，而仅使用T1加权和FLAIR模态时仍位居前列（第3位）。在临床MS数据上，与其他评估方法相比，我们的方法在WM病灶分割准确性上表现出显著提升，并且与预期病灶体积高度相关（）。
引用
@article{arxiv.1702.04869,
title = {Improving automated multiple sclerosis lesion segmentation with a cascaded 3D convolutional neural network approach},
author = {Sergi Valverde and Mariano Cabezas and Eloy Roura and Sandra González-Villà and Deborah Pareto and Joan-Carles Vilanova and LLuís Ramió-Torrentà and Àlex Rovira and Arnau Oliver and Xavier Lladó},
journal= {arXiv preprint arXiv:1702.04869},
year = {2017}
}