空间局部化图谱网络块实现基于有限数据的三维全脑分割
计算机视觉与模式识别
2018-06-06 v2 神经元与认知
摘要
结构磁共振成像(MRI)上的全脑分割在非侵入性神经解剖学研究中至关重要。历史上，多图谱分割(MAS)一直被视为全脑分割的事实标准方法。近来，深度神经网络方法已通过学习的随机块或二维切片应用于全脑分割。然而，由于以下挑战，先前很少有用三维网络进行精细全脑分割的尝试：(1) 将整个全脑体数据放入三维网络受限于当前GPU内存，(2) 目标标签数量大(例如 >100 个标签)而训练用三维体数据量有限(例如 <50 次扫描)。本文中，我们提出空间局部化图谱网络块(SLANT)方法，分布多个独立的全三维卷积网络以覆盖标准图谱空间中的重叠子空间。该策略将全脑学习任务简化为局部子任务，其通过结合标准配准与标签融合技术与深度学习得以实现。为应对第二个挑战，由 MAS 在 5111 个初始未标注扫描上创建辅助标签用于预训练。根据经验验证，最先进的 MAS 方法在三个验证队列上分别达到 0.76、0.71 和 0.68 的平均 Dice 值，而所提方法达到 0.78、0.73 和 0.71。此外，计算时间从使用 MAS 的 >30 小时减少到使用所提方法的约 15 分钟。源代码在线可得 https://github.com/MASILab/SLANTbrainSeg
引用
@article{arxiv.1806.00546,
title = {Spatially Localized Atlas Network Tiles Enables 3D Whole Brain Segmentation from Limited Data},
author = {Yuankai Huo and Zhoubing Xu and Katherine Aboud and Prasanna Parvathaneni and Shunxing Bao and Camilo Bermudez and Susan M. Resnick and Laurie E. Cutting and Bennett A. Landman},
journal= {arXiv preprint arXiv:1806.00546},
year = {2018}
}
备注
To appear in MICCAI2018