精细分割 R-CNN：一种用于早产儿点状白质病变分割的两阶段卷积神经网络
图像与视频处理
2019-07-02 v2 计算机视觉与模式识别
摘要
利用自动算法准确分割婴儿脑中的点状白质病变（PWML）可降低出生后发育的潜在风险。如何有效分割 PWML 已成为近年来医学图像分割中的活跃课题之一。本文基于该病变的特点，构建了一种高效的两阶段 PWML 语义分割网络，称为精细分割 R-CNN（RS RCNN）。我们提出了一种启发式 RPN（H-RPN），可利用 PWML 周围的信息进行启发式分割。此外，我们设计了一个轻量级分割网络以快速分割病变。采用密集连接条件随机场（DCRF）优化分割结果。我们仅使用 T1w MRI 来分割 PWML。结果表明，我们的模型能够很好地分割普通尺寸甚至像素尺寸的病变。Dice 相似系数为 0.6616，灵敏度为 0.7069，特异度为 0.9997，Hausdorff 距离为 52.9130。所提方法优于当前最先进（state-of-the-art）算法。（本文代码见 https://github.com/YalongLiu/Refined-Segmentation-R-CNN）
引用
@article{arxiv.1906.09684,
title = {Refined-Segmentation R-CNN: A Two-stage Convolutional Neural Network for Punctate White Matter Lesion Segmentation in Preterm Infants},
author = {Yalong Liu and Jie Li and Ying Wang and Miaomiao Wang and Xianjun Li and Zhicheng Jiao and Jian Yang and Xingbo Gao},
journal= {arXiv preprint arXiv:1906.09684},
year = {2019}
}