多尺度卷积栈聚合用于鲁棒的脑白质高信号分割
计算机视觉与模式识别
2019-02-28 v3
摘要
在脑部 MR 图像中分割大小不一的脑白质高信号/病灶是一项具有挑战性的任务，近年来引起了广泛关注。我们提出一种多尺度聚合模型框架来处理体积多变的病灶。首先，我们提出一种专为小病灶分割设计的网络，称为 Stack-Net，其中连接了多个卷积层，旨在子采样层之前保留小病灶丰富的局部空间信息。其次，我们聚合具有不同感受野的多尺度 Stack-Net 以学习大小病灶的多尺度上下文信息。我们的模型在最近的 MICCAI WMH 挑战数据集上进行了评估，并在 5 折交叉验证下在病灶召回率和病灶 F1-score 上优于最先进方法。此外，我们在跨中心评估下进一步在包含 30 名受试者的多发性硬化病灶数据集上测试了我们的预训练模型。结果表明该聚合模型在学习多尺度空间信息方面是有效的。它在挑战组织者独立评估后的隐藏测试集上获得了第一名。此外，我们在跨中心评估下进一步在包含 30 名受试者的多发性硬化病灶数据集上测试了我们的预训练模型。结果表明该聚合模型在学习多尺度空间信息方面是有效的。
引用
@article{arxiv.1807.05153,
title = {Multi-Scale Convolutional-Stack Aggregation for Robust White Matter Hyperintensities Segmentation},
author = {Hongwei Li and Jianguo Zhang and Mark Muehlau and Jan Kirschke and Bjoern Menze},
journal= {arXiv preprint arXiv:1807.05153},
year = {2019}
}
备注
accepted by MICCAI brain lesion workshop