基于深度卷积网络的多模态 MRI 脾肿大分割
计算机视觉与模式识别
2018-11-12 v1
摘要
脾肿大（脾脏异常增大）的发现是肝脏和脾脏疾病的无创临床生物标志物。自动化分割方法对于从临床采集的腹部磁共振成像 (MRI) 扫描中高效量化脾肿大至关重要。然而，该任务具有挑战性，原因在于：(1) 脾肿大的大解剖与空间变异，(2) 多模态 MRI 上大的扫描间与扫描内强度变异，以及 (3) 有限的标注脾肿大扫描数量。在本文中，我们提出脾肿大分割网络 (SS-Net)，将深度卷积神经网络 (DCNN) 方法引入多模态 MRI 脾肿大分割。使用大卷积核层以应对空间与解剖变异，同时采用条件生成对抗网络 (GAN) 以端到端方式提升 SS-Net 的分割性能。一个临床采集的包含 T1 加权 (T1w) 与 T2 加权 (T2w) MRI 脾肿大扫描的队列被用于训练和评估多图谱分割 (MAS)、2D DCNN 网络及一个 3D DCNN 网络的性能。实验结果表明，DCNN 方法取得了优于最先进 MAS 方法的性能。所提出的 SS-Net 方法在研究的基线 DCNN 方法中取得了最高的中位和平均 Dice 分数。
引用
@article{arxiv.1811.04045,
title = {Splenomegaly Segmentation on Multi-modal MRI using Deep Convolutional Networks},
author = {Yuankai Huo and Zhoubing Xu and Shunxing Bao and Camilo Bermudez and Hyeonsoo Moon and Prasanna Parvathaneni and Tamara K. Moyo and Michael R. Savona and Albert Assad and Richard G. Abramson and Bennett A. Landman},
journal= {arXiv preprint arXiv:1811.04045},
year = {2018}
}
备注
Accepted by IEEE Transactions on Medical Imaging