基于深度体积网络与多空间先验的 MRI 头部解剖分割
图像与视频处理
2021-05-20 v5 机器学习
神经元与认知
机器学习
摘要
目的：MRI 中头部解剖的常规自动分割基于图像强度与先验组织概率图（TPM）来区分不同的脑与非脑组织。这对正常头部解剖效果良好，但在存在意外病灶时失效。深度卷积神经网络转而利用空间模式，并可学习分割病灶，但常常忽略先验概率。方法：我们向三维卷积网络添加三种先验信息来源，即带 TPM 的空间先验、带条件随机场的形态学先验，以及以较低分辨率更宽视场的空间上下文。我们在 43 名卒中患者和 4 名健康个体的手动分割 3D 图像上训练并测试这些网络。结果：我们展示了每种先验信息来源的好处，并表明我们称之为 Multiprior 网络的新架构提升了现有分割软件（如 SPM、FSL 和 DeepMedic）对异常解剖的性能。比较了不同先验的相关性，发现 TPM 最有益。添加 TPM 的好处是通用的，因为它可以提升已建立的分割网络（如 DeepMedic 和 UNet）的性能。我们还对另外 47 名意识障碍患者提供了该方法的样本外验证与临床应用。我们免费提供代码与训练好的网络。结论：生物医学图像遵循可作为一种先验信息注入深度卷积神经网络以提升性能的成像协议。该网络分割与在 3D 中执行的人工手动校正相匹配，并且在异常脑解剖上从零开始在 2D 中获得的人工分割性能相当。
引用
@article{arxiv.1905.10010,
title = {Segmentation of MRI head anatomy using deep volumetric networks and multiple spatial priors},
author = {Lukas Hirsch and Yu Huang and Lucas C Parra},
journal= {arXiv preprint arXiv:1905.10010},
year = {2021}
}