PSACNN：脉冲序列自适应的快速全脑分割
计算机视觉与模式识别
2019-03-05 v3
摘要
随着卷积神经网络（CNN）的出现，监督学习方法正越来越多地用于全脑分割。然而，训练此类监督方法所需的大规模人工标注训练数据集往往难以获取或创建。此外，现有训练数据集通常是以同质的磁共振成像（MRI）采集协议获取的。在此类数据集上训练的 CNN 无法对具有不同采集协议的测试数据泛化。现代神经影像研究与临床试验必然是多中心举措，具有多种多样的采集协议。尽管有严格的协议协调实践，仍很难跨扫描仪、场强、接收线圈等标准化影响图像对比度的各类 MRI 成像参数。本文提出一种基于 CNN 的分割算法，除高度准确、快速外，还对输入采集的变化具有鲁棒性。我们的方法依赖于构建产生典型测试图像的脉冲序列的近似前向模型。对于给定的脉冲序列，我们利用其前向模型生成看似由该脉冲序列扫描仪采集的、合理的合成训练样本。对多种多样的脉冲序列进行采样，得到种类繁多的增广训练样本，有助于构建图像对比度不变模型。我们的方法训练单个 CNN，仅用 T_1 加权训练数据即可分割采集参数迥异（如 T_1 加权与 T_2 加权对比）的输入 MRI 图像。所生成的分割高度准确，达到最先进结果（总体 Dice 重叠度=0.94），运行快速（约 45 秒），且在广泛采集协议下保持一致。
引用
@article{arxiv.1901.05992,
title = {PSACNN: Pulse Sequence Adaptive Fast Whole Brain Segmentation},
author = {Amod Jog and Andrew Hoopes and Douglas N. Greve and Koen Van Leemput and Bruce Fischl},
journal= {arXiv preprint arXiv:1901.05992},
year = {2019}
}
备注
Typo in author name corrected. Greves -> Greve