arXiv:2006.15693v1 [eess.IV] 2020 年 6 月 28 日 - UCL Discovery__

arXiv:2006.15693v1 [eess.IV] 2020 年 6 月 28 日 - UCL Discovery

可下载资源数量

已经购买

下载数量：1

单价	0 1.0
Coupon	100% 0%
Total	0 1.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arXiv:2006.15693v1 [eess.IV] 2020 年 6 月 28 日 - UCL Discovery

¥ 1.0

热度

摘要。切除手术可能治愈药物抵抗性局灶性癫痫，但只有 40% 至 70% 的患者在手术后实现无癫痫发作。回顾性定量分析可以阐明切除结构和患者结果的模式，以改善切除手术。然而，必须首先在术后 MRI 图像上分割切除腔。卷积神经网络 (CNN) 是最先进的图像分割技术，但需要大量带注释的数据进行训练。医学图像的注释是一个耗时的过程，需要训练有素的评估者，并且通常存在较高的评估者间差异。自监督学习可用于从未标记的数据中生成训练实例。我们开发了一种算法来模拟术前 MRI 图像上的切除术。我们整理了一个新的数据集 EPISURG，其中包含 431 名接受切除手术的患者的 431 张术后 MRI 图像和 269 张术前 MRI 图像。除了 EPISURG，我们还使用了三个公共数据集（包含 1813 张术前 MRI 图像）进行训练。我们在训练期间动态创建的人工切除图像上训练了一个 3D CNN，使用的图像来自 1) EPISURG、2) 公共数据集和 3) 两者。为了评估训练好的模型，我们计算了模型分割和三位人工评估者执行的 200 个手动注释之间的 Dice 分数 (DSC)。使用带有手动注释的数据训练的模型获得的中位数（四分位距）DSC 为 65.3（30.6）。我们表现最好的模型的 DSC 是在没有手动注释的情况下训练的，为 81.7（14.2）。相比之下，人类注释者之间的评级者间一致性为 84.0 (9.9)。我们展示了一种使用模拟切除腔的 CNN 训练方法，该方法可以准确地分割真实的切除腔，而无需手动注释。

添加pdf代下载 VIP点击下载文件