基于卷积自编码器的无监督 MRI 脑病灶分割
图像与视频处理
2021-01-20 v1 计算机视觉与模式识别
摘要
在人脑的液体衰减反转恢复(FLAIR)和 T2 加权磁共振图像(MRI)中均呈高信号的病灶在老年人群脑中常见，可能由缺血或脱髓鞘引起。病灶是多种神经退行性疾病的生物标志物，使其准确量化对疾病诊断与进展评估均十分重要。使用监督学习的自动病灶检测需要人工标注图像，而这往往难以获取。另一方面，无监督病灶检测不需要任何手动勾画；然而，由于病灶负荷、病灶位置与体素强度的变异性，这类方法构建起来颇具挑战。在此我们提出一种新方法，利用卷积自编码器解决该问题：该自编码器通过学习将 FLAIR 图像重建为由相应 T1、T2 和 FLAIR 图像生成的 softmax 层输出的锥组合，来分割脑病灶以及白质、灰质和脑脊液。该模型的一些优势在于：无论病灶负荷如何均能准确学习分割病灶，且可用于快速、鲁棒地分割未出现在训练集中的新图像。在与基于人工标注真值评估的先进分割方法比较中表明，所提方法能在无需手动标注的情况下生成准确的病灶分割。
引用
@article{arxiv.1811.09655,
title = {Unsupervised brain lesion segmentation from MRI using a convolutional autoencoder},
author = {Hans E. Atlason and Askell Love and Sigurdur Sigurdsson and Vilmundur Gudnason and Lotta M. Ellingsen},
journal= {arXiv preprint arXiv:1811.09655},
year = {2021}
}