用于脑肿瘤分割的可扩展多模态卷积网络
计算机视觉与模式识别
2017-09-06 v1
摘要
脑肿瘤分割在计算机辅助手术中起着关键作用。深度神经网络显著提高了自动分割的准确性，然而这些模型往往难以泛化至与其设计时所针对的成像模态不同的其他模态，从而限制了其应用。例如，最初为单模态 T1 MRI 脑区划分设计的网络架构，无法轻易转化为能够联合利用 T1、T1c、Flair 和 T2 MRI 的高效肿瘤分割网络。为解决这一问题，我们提出了一种新颖的可扩展多模态深度学习架构，该架构使用新的嵌套结构，显式地利用模态内或跨模态的深层特征。此举旨在使架构的早期层结构化且稀疏，从而使最终架构能够随模态数量进行扩展。我们评估了该可扩展架构在脑肿瘤分割中的表现，并提供了证据表明，与传统的拼接方法相比，该架构具有正则化效应。
引用
@article{arxiv.1706.08124,
title = {Scalable multimodal convolutional networks for brain tumour segmentation},
author = {Lucas Fidon and Wenqi Li and Luis C. Garcia-Peraza-Herrera and Jinendra Ekanayake and Neil Kitchen and Sebastien Ourselin and Tom Vercauteren},
journal= {arXiv preprint arXiv:1706.08124},
year = {2017}
}
备注
Paper accepted at MICCAI 2017