获取完整原文和代码,公众号回复:10090823947
论文地址: http://arxiv.org/pdf/2110.09473v1.pdf
代码: https://github.com/luxneuroimage/DBSegment
来源: University of Luxembourg
论文名称:DBSegment: Fast and robust segmentation of deep brain structures -- Evaluation of transportability across acquisition domains
原文作者:Mehri Baniasadi
内容提要
从磁共振图像中分割深部脑结构对于病人的诊断、手术计划和研究是重要的。目前最先进的解决方案遵循注册分割的方法,其中被试核磁共振成像映射到一个定义良好的分割模板。然而,基于注册的步骤是耗时的,因此限制了它们的临床应用。本文利用深度学习技术提供了一种鲁棒、高效的深度脑分割解决方案。该方法包括一个预处理步骤,使所有MRI图像符合相同的方向,然后使用nnU-Net框架的卷积神经网络。我们总共使用了14个来自研究和临床收集的数据集。其中7个用于训练和验证,7个保留用于独立测试。我们使用基于注册的方法生成的标签,训练这个网络来分割30个大脑深层结构,以及一个大脑mask。我们通过对一个数据集进行交叉验证和对外部数据集进行广泛测试来评估网络的泛化性。此外,我们通过在不同的域上分别评估结果来评估跨域可移植性。与基于注册的金标准相比,我们在独立测试数据集上获得了0.89±0.04的平均DSC。在我们的测试系统中,计算时间从基于参考注册的方法42分钟减少到1分钟。该方法具有速度快、鲁棒性好、通用性强、可靠性高等优点。它可以扩展到其他大脑结构的分割。这个方法可以在GitHub上公开使用,还有一个pip包,方便使用。
主要框架及实验结果
声明:文章来自于网络,仅用于学习分享,版权归原作者所有,侵权请加上文微信联系删除。