用于皮质体积分割与回归的表层无关度量
图像与视频处理
2020-10-06 v1 计算机视觉与模式识别
机器学习
摘要
大脑皮质执行高阶脑功能，因此与一系列认知障碍相关。当前对皮质变异的分析通常通过将表面网格模型拟合到皮质内、外边界，并研究表面积、皮质曲率或厚度等度量来进行。然而，这些方法运行时间长，且对运动、图像与表面分辨率敏感，这可能阻碍其在临床环境中的应用。在本文中，我们转而提出一种机器学习解决方案，训练一种新颖的架构从 T2 MRI 图像预测皮质厚度与曲率度量，同时返回预测不确定性度量。我们提出的模型在一个临床队列（唐氏综合征）上进行了测试，该队列的表面建模常失败。结果表明，深度卷积神经网络是跨一系列脑发育阶段与病症预测皮质度量的可行选择。
引用
@article{arxiv.2010.01669,
title = {Surface Agnostic Metrics for Cortical Volume Segmentation and Regression},
author = {Samuel Budd and Prachi Patkee and Ana Baburamani and Mary Rutherford and Emma C. Robinson and Bernhard Kainz},
journal= {arXiv preprint arXiv:2010.01669},
year = {2020}
}
备注
Best Paper Honourable Mentions @ MLCN 2020 (MICCAI 2020)