学生超越教师：用于脑 MR 侧脑室分割的深度神经网络
计算机视觉与模式识别
2018-03-06 v2
摘要
脑室体积及其进展已知与多种脑部疾病（如痴呆和精神分裂症）相关。因此，准确测量脑室体积对于这类疾病的纵向研究至关重要，使得自动化脑室分割算法备受青睐。过去几年中，深度神经网络在许多成像领域已展现出优于经典模型的表现。然而，深度网络的成功依赖于人工标注的数据集，这类数据获取成本高昂，尤其在医学领域的高维数据上。本文中，我们表明深度神经网络可以在成本低得多的伪标签（例如，由其他精度较低的自动化方法生成）上训练，并且仍能产生比标签质量更准确的分割结果。为证明这一点，我们使用由传统区域生长算法生成的含噪分割标签来训练一个用于侧脑室分割的深度网络。随后在一个大型人工标注测试集上，我们表明该网络显著优于用于生成其训练标签的传统区域生长算法。我们的实验报告称，训练网络的 Dice 相似系数（DSC）为 ，而传统区域生长算法为 （）。
引用
@article{arxiv.1801.05040,
title = {Student Beats the Teacher: Deep Neural Networks for Lateral Ventricles Segmentation in Brain MR},
author = {Mohsen Ghafoorian and Jonas Teuwen and Rashindra Manniesing and Frank-Erik de Leeuw and Bram van Ginneken and Nico Karssemeijer and Bram Platel},
journal= {arXiv preprint arXiv:1801.05040},
year = {2018}
}
备注
7 pages, 4 figures, SPIE Medical Imaging 2018 Conference paper