基于 3D U-Net 在大规模 DTI 数据集上实现可复现的白质纤维束分割
图像与视频处理
2019-08-28 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
从脑扩散 MRI 衍生的纤维束特异性扩散指标，已与白质纤维束结构完整性及神经退行性变相关联。因此，在扩散张量 MRI 数据中自动分割白质纤维束受到广泛关注。基于纤维追踪的方法常用于白质纤维束分割。然而，由于一致性有限且处理时间长，此类方法可能不适用于临床实践。因此我们开发了一种新颖的基于卷积神经网络的方法，直接在 9149 张 DTI 图像的低分辨率数据集上训练以分割白质纤维束。该方法在输入、损失函数和网络架构选择上进行了优化。我们评估了分割准确性与可复现性，以及确定纤维束特异性扩散指标的可复现性。该方法的复现性高于参考标准，且所确定的扩散指标具有一致性。因此，我们期望我们的方法能应用于临床实践及白质微结构的纵向分析。
引用
@article{arxiv.1908.10219,
title = {Reproducible White Matter Tract Segmentation Using 3D U-Net on a Large-scale DTI Dataset},
author = {Bo Li and Marius de Groot and Meike Vernooij and Arfan Ikram and Wiro Niessen and Esther Bron},
journal= {arXiv preprint arXiv:1908.10219},
year = {2019}
}
备注
Machine Learning in Medical Imaging (MLMI), 2018