基于深度学习的胎儿 MRI 实时自动胎儿脑提取
计算机视觉与模式识别
2018-07-02 v1
摘要
脑部分割是神经图像分析的基础第一步。在胎儿 MRI 中，由于胎儿姿态任意、周围器官包围胎儿头部以及间歇性的胎儿运动，这一任务尤为具有挑战性和重要性。已有几种有前景的方法被提出，但在挑战性案例和实时分割方面的性能受限。我们的目标是开发一种全自动分割方法，能够实时独立地分割 2D 胎儿 MRI 切片中的胎儿脑部分区。为此，我们开发并评估了一种基于 2D U-net 和 autocontext 的深度全卷积神经网络，并将其与两种替代的快速方法进行了比较：1) 基于体素的全卷积网络；2) 基于 SIFT 特征、随机森林和条件随机场的方法。我们使用 250 堆训练图像的手动脑掩膜训练网络，并在 17 堆正常胎儿脑图像以及 18 堆基于极端运动、噪声和严重异常脑形的极具挑战性案例上进行了测试。实验结果表明，我们的 U-net 方法优于其他方法，在正常和挑战性测试集中分别达到了 96.52% 和 78.83% 的平均 Dice 指标。凭借前所未有的性能和约 1 秒的测试运行时间，我们的网络可用于在获取胎儿 MRI 切片时实时分割胎儿大脑。这使得胎儿脑 MRI 的实时运动跟踪、运动检测和 3D 重建成为可能。
引用
@article{arxiv.1710.09338,
title = {Real-Time Automatic Fetal Brain Extraction in Fetal MRI by Deep Learning},
author = {Seyed Sadegh Mohseni Salehi and Seyed Raein Hashemi and Clemente Velasco-Annis and Abdelhakim Ouaalam and Judy A. Estroff and Deniz Erdogmus and Simon K. Warfield and Ali Gholipour},
journal= {arXiv preprint arXiv:1710.09338},
year = {2018}
}
备注
This work has been submitted to ISBI 2018