QuickNAT：一种用于快速准确神经解剖分割的全卷积网络
计算机视觉与模式识别
2018-11-27 v2
摘要
来自结构磁共振成像(MRI)的全脑分割是大多数形态学分析的前提，但计算密集，因此会延迟扫描获取后图像标记的可用性。我们引入QuickNAT，一种全卷积、密集连接的神经网络，可在20秒内分割\revision{MRI脑扫描}。为使具有数百万可学习参数的复杂网络能在有限标注数据下训练，我们提出首先基于现有分割软件生成的辅助标签进行预训练。随后，预训练模型在人工标签上微调以纠正辅助标签中的错误。借助该学习策略，我们得以使用无人工标注的大型神经影像库进行训练。在涵盖广泛年龄范围、病理及不同扫描仪的八个数据集上的大量评估中，我们证明QuickNAT相较于最先进方法实现了更优的分割精度与可靠性，同时速度快数个数量级。该加速有助于大型数据仓库的处理，并通过在数秒内提供图像生物标记支持快速临床决策，从而促进成像生物标记的临床转化。
引用
@article{arxiv.1801.04161,
title = {QuickNAT: A Fully Convolutional Network for Quick and Accurate Segmentation of Neuroanatomy},
author = {Abhijit Guha Roy and Sailesh Conjeti and Nassir Navab and Christian Wachinger},
journal= {arXiv preprint arXiv:1801.04161},
year = {2018}
}
备注
Accepted for Publication at NeuroImage