基于块的典型神经网络近实时海马体分割
计算机视觉与模式识别
2018-07-17 v1
摘要
在过去的几十年里，最先进的医学图像分割严重依赖于信号处理范式，最显著的是基于配准的标签传播和成对块比较，尽管分割精度高，但通常速度较慢。近年来，深度学习已经彻底改变了计算机视觉，许多实践超越了先前技术，特别是关于图像分类的卷积神经网络(CNN)研究。深度 CNN 最近也开始应用于医学图像分割，但通常涉及较长的训练时间和苛刻的内存需求，取得的成功有限。我们提出了一种基于块的深度学习框架，该框架基于对经典神经网络模型的重新审视并进行了大量现代化，包括使用修正线性单元(ReLU)激活、dropout 层、2.5D 三平面块多通路设置。在使用来自 ADNI 数据库的 100 张脑 MR 图像进行海马体分割的测试应用中，我们的方法在分割精度和速度方面均显著优于先前技术：在近实时性能(<1s)下中位 Dice 分数高达 90.98%。
引用
@article{arxiv.1807.05482,
title = {Near Real-time Hippocampus Segmentation Using Patch-based Canonical Neural Network},
author = {Zhongliu Xie and Duncan Gillies},
journal= {arXiv preprint arXiv:1807.05482},
year = {2018}
}