使用Segis-Net进行纵向扩散MRI分析：一个用于同步分割与配准的单步深度学习框架
计算机视觉与模式识别
2021-04-26 v2 人工智能
图像与视频处理
摘要
这项工作提出了一个用于纵向图像分析的单步深度学习框架，被称为Segis-Net。为了最佳地利用纵向数据中可用的信息，该方法同时学习多类分割和非线性配准。分割和配准使用卷积神经网络建模，并为了它们的互惠互利而同时进行优化。提出了一个优化跨时间点分割结构空间对应关系的目标函数。我们将Segis-Net应用于3249名老年人的N=8045个纵向脑MRI数据集的白质纤维束分析。与两种多阶段流水线相比，Segis-Net方法显示出配准精度、时空分割一致性和可重复性的显著提高。这也导致了在分析特定纤维束测量时，为达到相同统计功效所需样本量的显著减少。因此，我们期望Segis-Net能作为一种新的可靠工具，支持纵向成像研究，以调查宏观和微观结构脑随时间的变化。
引用
@article{arxiv.2012.14230,
title = {Longitudinal diffusion MRI analysis using Segis-Net: a single-step deep-learning framework for simultaneous segmentation and registration},
author = {Bo Li and Wiro J. Niessen and Stefan Klein and Marius de Groot and M. Arfan Ikram and Meike W. Vernooij and Esther E. Bron},
journal= {arXiv preprint arXiv:2012.14230},
year = {2021}
}
备注
To appear in NeuroImage