利用残差连接增强的全卷积神经网络从 T1 和 FLAIR 图像分割白质高信号
计算机视觉与模式识别
2018-03-20 v1
摘要
白质高信号 (WMHs) 的分割与量化对于研究和理解各种神经及老年疾病具有重要意义。尽管已有针对磁共振成像 (MRI) 上 WMH 分割的自动方法被提出,但为了获得临床实用的结果,通常仍需进行人工校正。WMH 分割面临的主要挑战源于其不均匀的 MRI 强度、随机的位置和尺寸分布以及 MRI 噪声。其他具有高信号强度的脑部解剖结构或疾病的存在进一步增加了难度。为了应对这些挑战,我们提出了一种专门设计的、带有残差连接的全卷积神经网络 (FCN),通过结合 T1 和液体衰减反转恢复 (FLAIR) 图像来分割 WMHs。我们定制的 FCN 设计直接且具备泛化能力,由于其增强了信息传播,可提供高效的端到端训练。我们在公开的 WMH Segmentation Challenge MICCAI2017 数据集上测试了我们的方法,尽管我们的方法相对简单,但结果显示其在五项指标上的表现位居领先技术之列。更重要的是,我们的方法在来自未包含在训练中的两台 MRI 扫描仪的测试数据集上,获得了 Hausdorff 距离和平均体积差异的最佳分数,表明我们提出的方法相较于竞争对手具有更好的泛化能力。
引用
@article{arxiv.1803.06782,
title = {White matter hyperintensity segmentation from T1 and FLAIR images using fully convolutional neural networks enhanced with residual connections},
author = {Dakai Jin and Ziyue Xu and Adam P. Harrison and Daniel J. Mollura},
journal= {arXiv preprint arXiv:1803.06782},
year = {2018}
}
备注
IEEE International Symposium on Biomedical Imaging (ISBI)