基于 CNN 泊松回归的斑块脑损伤体积建模
图像与视频处理
2020-12-01 v1 计算机视觉与模式识别
摘要
监测损伤的进展对临床响应十分重要。诸如损伤体积之类的汇总统计量客观且易于解释，可帮助临床医生评估损伤的增长或消退。CNN 因能在较大上下文中生成有用特征，且具备高效的基于迭代斑块的训练方式，常用于医学图像分割。许多 CNN 架构需要数十万参数才能获得良好分割。本工作中，我们实现了一种高效、计算代价低的 CNN，用于从磁共振（MR）图像估算预定义斑块大小内的损伤体素数。该 CNN 的输出被解释为斑块上的条件泊松参数，从而可采用标准小批量梯度下降。使用 ISLES2015（SISS）数据训练和评估模型，该模型通过从原始特征估算损伤体积，在 86% 的成对样本斑块中准确识别出损伤体积更大的损伤图像。本文论证了开发并使用损伤体积估算以辅助分割模型选择的理由。
引用
@article{arxiv.2011.13927,
title = {Modelling brain lesion volume in patches with CNN-based Poisson Regression},
author = {Kevin Raina},
journal= {arXiv preprint arXiv:2011.13927},
year = {2020}
}