基于超密连接卷积神经网络的等强度婴儿脑图像分割
计算机视觉与模式识别
2019-03-05 v4
摘要
由于图像质量差以及白质与灰质区域之间对比度低，磁共振（MR）中的新生儿脑分割是一个具有挑战性的问题。针对该问题的大多数现有方法基于多图谱标签融合策略，这些策略耗时且对配准误差敏感。作为这些方法的替代，我们提出了一种超密连接的3D卷积神经网络，该网络以MR-T1和T2图像作为输入，并在两条分离的路径中独立处理。与以往的密连接网络的一个重要区别在于，在同一路径和不同路径的各层之间使用了直接连接。采用这种密集连接可以通过引入深度监督和改善梯度流来辅助学习过程。我们在MICCAI 6个月婴儿脑MRI分割挑战赛的数据上评估了我们的方法，获得了极具竞争力的结果。在21个团队中，我们的方法在大多数指标上排名第一或第二，达到了state-of-the-art的性能。
引用
@article{arxiv.1710.05956,
title = {Isointense Infant Brain Segmentation with a Hyper-dense Connected Convolutional Neural Network},
author = {Jose Dolz and Ismail Ben Ayed and Jing Yuan and Christian Desrosiers},
journal= {arXiv preprint arXiv:1710.05956},
year = {2019}
}
备注
Oral presentation at ISBI 2018. The last version of the paper is updated with the reference of the iSEG comparative study, published in 2019 at IEEE TMI