三维脑超声中灰质与白质的弱监督分割
计算机视觉与模式识别
2019-04-17 v3
摘要
尽管超声中脑结构的分割有助于初始化基于图像的配准、辅助脑移位补偿并提供介入决策支持，但颅超声中灰质和白质的分割任务极具挑战且尚未被解决。我们训练一个多尺度全卷积神经网络同时针对两类以分割真实的临床三维超声数据。在不同分辨率层级工作的并行路径处理了高频散斑噪声与全局三维图像特征。为确保可复现性，公开可用的 RESECT 数据集被用于训练和交叉验证。由于缺乏真值，我们使用弱标注标签进行训练。我们实现了从 MRI 到 US 的标签迁移，这易于产生残差但不可避免的配准误差。为了进一步改进结果，我们使用合成 US 数据执行迁移学习。所得方法在灰质、白质和背景上分别取得了 0.7080、0.8402 和 0.9315 的优异 Dice 分数。我们提出的方法为三维颅内超声中白质和灰质分割树立了无与伦比的标准。
引用
@article{arxiv.1904.05191,
title = {Weakly-Supervised White and Grey Matter Segmentation in 3D Brain Ultrasound},
author = {Beatrice Demiray and Julia Rackerseder and Stevica Bozhinoski and Nassir Navab},
journal= {arXiv preprint arXiv:1904.05191},
year = {2019}
}
备注
* Beatrice Demiray and Julia Rackerseder contributed equally to this work