基于半监督深度学习的多对比度 MRI 多组织分割
图像与视频处理
2020-11-30 v2
摘要
从磁共振成像（MRI）扫描中分割大腿组织（肌肉、脂肪、肌间脂肪组织（IMAT）、骨骼和骨髓）对于衰老、糖尿病、肥胖、代谢综合征及其相关合并症等多种情况下的临床和研究调查十分有用。为实现大腿组织完全自动化、鲁棒且精确的量化，本文设计了一种基于深度网络架构的新型半监督分割算法。基于 Tiramisu 分割引擎，我们提出的深度网络使用变分和专门设计的针对性 dropout 以实现更快且鲁棒的收敛，并利用多对比度 MRI 扫描作为输入数据。在我们的实验中，使用了来自巴尔的摩衰老纵向研究（BLSA）的 50 名不同受试者的 150 次扫描。所提出的系统高效利用有标签和无标签数据进行训练，并以肌肉、脂肪、IMAT、骨骼和骨髓组织分别为 97.52%、94.61%、80.14%、95.93% 和 96.83% 的 dice 分数优于当前最先进的方法。我们的结果表明，所提出的系统可用于以体积和分布组织量化为关键且标注为重大问题的临床研究。据我们所知，所提出的系统是首次尝试使用单一端到端半监督深度学习框架对多对比度大腿 MRI 扫描进行多组织分割。
引用
@article{arxiv.2009.03128,
title = {Semi-Supervised Deep Learning for Multi-Tissue Segmentation from Multi-Contrast MRI},
author = {Syed Muhammad Anwar and Ismail Irmakci and Drew A. Torigian and Sachin Jambawalikar and Georgios Z. Papadakis and Can Akgun and Mehmet Akcakaya and Ulas Bagci},
journal= {arXiv preprint arXiv:2009.03128},
year = {2020}
}
备注
20 pages, 9 figures, Journal of Signal Processing Systems