用于白质高信号分割的位置敏感深度卷积神经网络
计算机视觉与模式识别
2016-11-01 v2
摘要
在许多医学任务中，影像特征的解剖位置对于准确诊断至关重要。卷积神经网络（CNN）在计算机视觉领域取得了巨大成功，但它们缺乏在其决策过程中自然融入解剖位置的能力，这阻碍了其在某些医学图像分析任务中的成功。在本文中，为了将解剖位置信息整合到网络中，我们提出了几种深度CNN架构，这些架构在训练时考虑多尺度图像块或采用显式的位置特征。我们在一个大型数据集上应用并比较了所提出的架构，用于脑部MR图像中的白质高信号分割。结果，我们观察到，融入位置信息的CNN显著优于使用手工设计特征的传统分割方法以及未整合位置信息的CNN。在包含46个扫描的测试集上，我们网络的最佳配置获得了0.791的Dice分数，而独立人类观察者的分数为0.797。机器和独立人类观察者的性能水平在统计上没有显著差异（p值=0.17）。
引用
@article{arxiv.1610.04834,
title = {Location Sensitive Deep Convolutional Neural Networks for Segmentation of White Matter Hyperintensities},
author = {Mohsen Ghafoorian and Nico Karssemeijer and Tom Heskes and Inge van Uden and Clara Sanchez and Geert Litjens and Frank-Erik de Leeuw and Bram van Ginneken and Elena Marchiori and Bram Platel},
journal= {arXiv preprint arXiv:1610.04834},
year = {2016}
}
备注
13 pages, 8 figures