基于深度卷积神经网络的MR图像近端股骨分割
计算机视觉与模式识别
2019-02-06 v5 机器学习
机器学习
摘要
磁共振成像（MRI）已被提出作为测量骨质量和评估骨折风险的补充方法。然而，骨MR图像的手动分割耗时，限制了MRI测量在临床实践中的使用。本文旨在提出一种基于深度卷积神经网络（CNN）的自动近端股骨分割方法。本研究获得机构审查委员会批准，并从所有受试者获得书面知情同意。由专家手动分割了86名受试者的近端股骨体积结构MR图像数据集。我们通过训练两种具有不同初始特征图数量和层数的CNN架构进行实验，并使用四折交叉验证根据手动分割的金标准测试其分割性能。使用基于3D卷积的CNN架构，近端股骨的自动分割实现了0.940.05的高Dice相似系数，精度=0.950.02，召回率=0.940.08，超越了2D CNN的性能。CNN提供的高分割精度有潜力帮助将骨质量的结构性MRI测量用于临床实践以管理骨质疏松症。
引用
@article{arxiv.1704.06176,
title = {Segmentation of the Proximal Femur from MR Images using Deep Convolutional Neural Networks},
author = {Cem M. Deniz and Siyuan Xiang and Spencer Hallyburton and Arakua Welbeck and James S. Babb and Stephen Honig and Kyunghyun Cho and Gregory Chang},
journal= {arXiv preprint arXiv:1704.06176},
year = {2019}
}
备注
This is a pre-print of an article published in Scientific Reports. The final authenticated version is available online at: https://doi.org/10.1038/s41598-018-34817-6