基于块的全卷积神经网络用于脑磁共振成像组织分割的定量分析
计算机视觉与模式识别
2019-07-30 v2
摘要
磁共振成像（MRI）中准确的脑组织结构分割一直受到医生和研究人员的关注，因为组织体积的变化有助于诊断和监测神经系统疾病。多年来已提出多种方案，包括传统的机器学习策略以及卷积神经网络（CNN）方法。具体而言，本文我们分析一类产生稠密预测的深度学习子方法。这一分支在文献中称为全卷积神经网络（FCNN），其意义在于这些架构比 CNN 处理输入体积所需时间更少，并且由于一次性分类多个体素，可编码局部空间依赖关系。我们的研究侧重于理解类文献方法的架构优势与弱点。因此，我们实现了受脑分割相关任务中鲁棒前沿方法启发的八种 FCNN 架构。我们使用 IBSR18、MICCAI2012 和 iSeg2017 数据集进行评估，因为它们包含婴儿与成人数据，并展现出不同的体素间距、图像质量、扫描数量及可用成像模态。讨论沿三个方向展开：2D 与 3D 方法的比较、多模态的重要性，以及重叠作为训练与测试模型的采样策略。为鼓励其他研究人员探索该评估框架，可从我们的研究网站下载公开版本。
引用
@article{arxiv.1801.06457,
title = {Quantitative analysis of patch-based fully convolutional neural networks for tissue segmentation on brain magnetic resonance imaging},
author = {Jose Bernal and Kaisar Kushibar and Mariano Cabezas and Sergi Valverde and Arnau Oliver and Xavier Lladó},
journal= {arXiv preprint arXiv:1801.06457},
year = {2019}
}