基于深度监督残差 Dropout 网络的颅内动脉钙化分割
计算机视觉与模式识别
2017-06-06 v1
摘要
颅内颈动脉钙化（ICAC）是卒中的主要危险因素，并可能导致痴呆与认知衰退。依赖耗时的 ICAC 手动标注阻碍了迫切需要的关于 ICAC 与神经系统疾病关系的进一步研究。因此，ICAC 分割的自动化极具需求，但由于病灶与具有相似衰减系数的骨结构邻近而十分困难。本文提出了一种 ICAC 自动分割方法；据我们所知这是首个此类方法。我们的方法基于 3D 全卷积神经网络，并扩展了两种正则化技术。首先，我们使用深度监督（隐藏层监督）以在隐藏层中鼓励判别性特征。其次，我们如近期开发的 ResNet 一样为网络增加跳跃连接，并以跳跃连接绕过 Dropout 层的方式插入 Dropout 层。我们研究了跳跃连接和 Dropout 的效果。此外，我们提出了一种针对特定问题的网络目标函数的简单修改，将焦点限制在最重要的图像区域并简化优化过程。我们使用 882 张 CT 扫描训练并验证模型，在 1,000 张上进行测试。我们的正则化技术和目标函数将平均 Dice 得分提高了 7.1%，达到 76.2% 的平均 Dice，且预测的 ICAC 体积与手动标注之间的相关性达 97.7%。
引用
@article{arxiv.1706.01148,
title = {Segmentation of Intracranial Arterial Calcification with Deeply Supervised Residual Dropout Networks},
author = {Gerda Bortsova and Gijs van Tulder and Florian Dubost and Tingying Peng and Nassir Navab and Aad van der Lugt and Daniel Bos and Marleen de Bruijne},
journal= {arXiv preprint arXiv:1706.01148},
year = {2017}
}
备注
Accepted for MICCAI 2017