PCA 辅助的全卷积网络用于多通道 fMRI 语义分割
计算机视觉与模式识别
2017-07-12 v4 机器人学
摘要
功能磁共振成像（fMRI）的语义分割对于病理诊断和医疗机器人决策系统具有重要意义。多通道 fMRI 提供了更多的病理特征信息，但数据量的增加导致特征检测的复杂性。本文提出了一种主成分分析（PCA）辅助的全卷积网络，专门用于处理多通道 fMRI。我们通过微调将当代分类网络的学习权重迁移到分割任务中。卷积网络的结果与多种方法（如 k-NN）进行了比较。提出了一种新的标注策略，以解决边界不清晰的语义分割问题。即使使用小规模训练数据集，测试结果也表明我们的模型优于其他病理特征检测方法。此外，其前向推理对于单组 fMRI 数据仅需 90 毫秒。据我们所知，这是首次使用 FCN 实现多通道磁共振图像的像素级标注。
引用
@article{arxiv.1610.01732,
title = {PCA-aided Fully Convolutional Networks for Semantic Segmentation of Multi-channel fMRI},
author = {Lei Tai and Haoyang Ye and Qiong Ye and Ming Liu},
journal= {arXiv preprint arXiv:1610.01732},
year = {2017}
}
备注
ICAR 2017 - 18th International Conference on Advanced Robotics, Best Student Paper Award, 6 figures