利用深度神经网络在多发性硬化中同时分割病灶与神经解剖结构
计算机视觉与模式识别
2020-11-12 v3
摘要
白质病灶与深部灰质结构的分割是多发性硬化磁共振成像量化中的重要任务。本文探索基于卷积神经网络(CNNs)的分割方案,以在多模态MR成像中提供快速、可靠的病灶与灰质结构分割,并考察这些方法应用于外部中心数据时的性能。我们在2016年MSSEG训练集上训练了两种最先进的完全卷积CNN架构,该数据集由七名独立人工标注者标注:一个3D Unet的参考实现,以及一种较新提出的3D-to-2D架构(DeepSCAN)。随后我们在来自单一中心的更大数据集上重新训练这些方法,分别带或不带其他脑结构标签。我们量化了由数据集偏移引起的性能变化,以及通过添加额外脑结构标签带来的性能变化。我们还将性能与可免费获取的参考方法进行了比较。两种完全卷积CNN方法在MSSEG数据集上交叉验证训练与评估时大幅优于文献中的其他方法,其与人工标注者的一致性处于人工标注者间变异范围内。两种架构在单一中心数据上训练并于MSSEG数据集上测试时均出现性能下降。当使用由Freesurfer得到的弱解剖标签作为补充进行训练时,3D Unet的性能退化,而DeepSCAN网络的性能提升。总体而言,预测病灶与解剖标签的DeepSCAN网络是所考察网络中性能最佳的。
引用
@article{arxiv.1901.07419,
title = {Simultaneous lesion and neuroanatomy segmentation in Multiple Sclerosis using deep neural networks},
author = {Richard McKinley and Rik Wepfer and Fabian Aschwanden and Lorenz Grunder and Raphaela Muri and Christian Rummel and Rajeev Verma and Christian Weisstanner and Mauricio Reyes and Anke Salmen and Andrew Chan and Franca Wagner and Roland Wiest},
journal= {arXiv preprint arXiv:1901.07419},
year = {2020}
}
备注
Substantially revised version after comments from reviewers, including comparison to 3D Unet