用于多发性硬化病灶分割的多分支卷积神经网络
计算机视觉与模式识别
2019-04-09 v4
摘要
本文提出一种从多模态脑磁共振图像中分割多发性硬化(MS)病灶的自动化方法。我们的方法基于一个深度端到端 2D 卷积神经网络(CNN),用于对 3D 体数据进行基于切片的分割。所提出的 CNN 包含多分支下采样路径,使网络能够分别编码来自多个模态的信息。我们提出多尺度特征融合块,以在网络不同阶段组合来自不同模态的特征图。随后引入多尺度特征上采样块,将组合特征图放大以利用病灶形状与位置信息。我们使用每个 3D 模态的正交平面朝向训练和测试所提模型,以利用所有方向上的上下文信息。所提流程在两个不同数据集上评估:一个包含 37 名 MS 患者的私有数据集,以及一个公开可用的 ISBI 2015 纵向 MS 病灶分割挑战数据集(含 14 名 MS 患者)。就 ISBI 挑战而言,在提交时,我们的方法位居性能最优的解决方案之列。在私有数据集上,使用与 ISBI 挑战相同的性能指标阵列,所提方法相比其他公开可用工具在 MS 病灶分割上显示出显著提升。
引用
@article{arxiv.1811.02942,
title = {Multi-branch Convolutional Neural Network for Multiple Sclerosis Lesion Segmentation},
author = {Shahab Aslani and Michael Dayan and Loredana Storelli and Massimo Filippi and Vittorio Murino and Maria A Rocca and Diego Sona},
journal= {arXiv preprint arXiv:1811.02942},
year = {2019}
}
备注
This paper has been accepted for publication in NeuroImage