IVD-Net：基于多模态 UNet 的 MRI 椎间盘定位与分割
计算机视觉与模式识别
2018-11-21 v1
摘要
椎间盘（IVD）的准确定位与分割对脊柱疾病诊断评估至关重要。尽管医学影像技术有所进步，IVD 定位与分割仍靠人工完成，耗时且易错。若进一步考虑多模态成像，疾病评估的负担显著增加。本文提出一种用于多模态 MRI 中 IVD 定位与分割、扩展知名 UNet 的架构。相比单幅图像，多模态数据带来互补信息，有助于更好的数据表示与判别力。我们的贡献有三。首先，如何有效整合并充分利用多模态数据几乎未被探索。本工作中，每种 MRI 模态在不同路径处理以更好利用其独有信息。其次，受 HyperDenseNet 启发，网络在各路径内与跨路径间密集连接，赋予模型自由以学习不同模态应于何处及如何被处理与组合。第三，我们通过将 inception 模块扩展以两个不同尺度的空洞卷积块来改进标准 U-Net 模块，有助于处理多尺度上下文。我们在 MICCAI 2018 自动椎间盘定位与分割公开挑战赛数据集上报告实验，使用 13 幅多模态 MRI 图像训练、3 幅验证。我们在 NVidia TITAN XP GPU（16 GB 内存）上训练 IVD-Net，以 ADAM 为优化器、学习率 10e-5 训练 200 轮。训练耗时约 5 小时，分割整个体积平均约 2–3 秒。使用若干具不同多模态融合策略的基线证明了所提架构的有效性。
引用
@article{arxiv.1811.08305,
title = {IVD-Net: Intervertebral disc localization and segmentation in MRI with a multi-modal UNet},
author = {Jose Dolz and Christian Desrosiers and Ismail Ben Ayed},
journal= {arXiv preprint arXiv:1811.08305},
year = {2018}
}
备注
Manuscript submitted to the Proceedings of the MICCAI 2018 IVD Challenge. arXiv admin note: text overlap with arXiv:1810.07003