MONAIfbs：基于 MONAI 的胎儿脑 MRI 深度学习分割
图像与视频处理
2021-03-25 v1 计算机视觉与模式识别
机器学习
摘要
在胎儿磁共振成像中，超分辨率重建（SRR）算法正成为从以不同方向采集的低分辨率 2D 切片栈中获取高分辨率 3D 体积重建的流行工具。为发挥作用，这些算法通常需要对感兴趣区域（如疑似病理病例中的胎儿脑）进行准确分割。在脊柱裂病例中，Ebner、Wang 等人（NeuroImage，2020）将其 SRR 算法与两步分割流程（2D 定位后接 2D 分割网络）相结合。然而，若定位步骤失败，第二个网络无法恢复正确的脑掩膜，从而需要人工修正以实现有效的 SRR。在本工作中，我们旨在改进脊柱裂 SRR 中的胎儿脑分割。我们假设训练良好的单步 UNet 可达到准确性能，避免两步法的需要。我们提出了一种名为 MONAIfbs 的胎儿脑分割新工具，其利用了医学人工智能开放网络（MONAI）框架。我们的网络基于动态 UNet（dynUNet），即 nnU-Net 框架的一种适配。与 Ebner-Wang 提出的原始两步法以及使用本工作可获取的扩展数据集重新训练的同一 Ebner-Wang 方法相比，dynUNet 仅用单步即展现出更高性能。它还减少了异常值数量：仅 28 个切片栈的 Dice 分数低于 0.9，而 Ebner-Wang 为 68 个、Ebner-Wang 扩展为 53 个。所提出的 dynUNet 模型因此改进了最先进的胎儿脑分割技术，减少了对自动化 SRR 流程中人工修正的需求。我们的代码和训练模型公开于 https://github.com/gift-surg/MONAIfbs。
引用
@article{arxiv.2103.13314,
title = {MONAIfbs: MONAI-based fetal brain MRI deep learning segmentation},
author = {Marta B. M. Ranzini and Lucas Fidon and Sébastien Ourselin and Marc Modat and Tom Vercauteren},
journal= {arXiv preprint arXiv:2103.13314},
year = {2021}
}
备注
Abstract accepted at IEEE International Symposium on Biomedical Imaging (ISBI) 2021