用于多发性硬化早期白质病变分割的浅层与深度学习架构对比
机器学习
2018-09-11 v1 计算机视觉与模式识别
机器学习
摘要
本工作中,我们对比了一种浅层与一种深度学习架构,用于多发性硬化患者MR图像中白质病变的自动分割。特别地,我们在早期疾病患者上训练和测试两种方法,以验证其在挑战性条件下的性能,这比多发性硬化分割挑战中通常提供的条件更接近于临床环境。此外,我们评估了一种两方法朴素的原型组合,其优化了最终分割。所有方法在32名患者上训练,评估在73例的纯测试集上进行。结果显示深度学习架构的病变级假阳性较低(30%),而浅层架构取得了最佳Dice系数(63%)和体积差异(19%)。组合浅层与深层架构进一步改善了病变级指标(分别为69%和26%的病变级真、假阳性率)。
引用
@article{arxiv.1809.03185,
title = {Shallow vs deep learning architectures for white matter lesion segmentation in the early stages of multiple sclerosis},
author = {Francesco La Rosa and Mário João Fartaria and Tobias Kober and Jonas Richiardi and Cristina Granziera and Jean-Philippe Thiran and Meritxell Bach Cuadra},
journal= {arXiv preprint arXiv:1809.03185},
year = {2018}
}
备注
Accepted to the MICCAI 2018 Brain Lesion (BrainLes) workshop