卷积神经网络用于肝脏分割的动态对比增强 MRI 最优输入配置
图像与视频处理
2019-08-23 v1 计算机视觉与模式识别
摘要
大多数 MRI 肝脏分割方法使用结构性 3D 扫描作为输入，例如 T1 或 T2 加权扫描。利用动态对比增强 (DCE) MR 序列中包含的结构与功能信息，可以提升分割性能。动态信息可通过多种方式融入基于卷积神经网络的分割方法。本研究探讨了用于卷积神经网络 (CNN) 的 DCE MR 图像最优输入配置。针对肝脏分割任务，研究了三种不同 CNN 输入配置的性能。这三种配置为：I) 将 DCE-MR 序列的一个期相图像作为输入图像；II) 将 DCE-MR 的各个期相作为独立的输入图像；III) 将 DCE-MR 的各个期相作为单个输入图像的通道。这三种输入配置被分别输入到一个空洞全卷积网络和一个小型 U-net 中。CNN 使用 19 个带标注的 DCE-MR 序列进行训练，并在另外 19 个带标注的 DCE-MR 序列上进行测试。针对两种网络，将三种输入配置的性能与手动标注进行了评估对比。结果表明，与使用一个期相作为输入图像或将各个期相作为独立输入图像相比，当将 DCE-MR 序列的各个期相作为单个输入图像的通道时，两种神经网络的性能均更优。对于将各个期相作为单个输入图像通道的配置，未发现两种网络架构的性能存在显著差异。
引用
@article{arxiv.1908.08251,
title = {Optimal input configuration of dynamic contrast enhanced MRI in convolutional neural networks for liver segmentation},
author = {Mariëlle J. A. Jansen and Hugo J. Kuijf and Josien P. W. Pluim},
journal= {arXiv preprint arXiv:1908.08251},
year = {2019}
}
备注
Submitted to SPIE Medical Imaging 2019