机构名称：
¥ 1.0
摘要 - 早期关于脑血管式语义分割的研究使用了经典的图像分析方法来从图像中提取血管树。如今，深入学习的方法已被广泛利用用于各种图像分析任务。在语义细分框架中处理神经网络时的强大限制之一是需要处理地面真理分段数据集，该数据集将在其中学习任务。手动以3D体积（通常为MRA-TOF）手动分割动脉可能很麻烦。在这项工作中，我们旨在从新的角度解决血管树分割。我们的目标是从使用CT扫描的小鼠血管构建图像数据集，并以一种精确模仿人脑的统计特性的方式增强这些血管。由于其特定的采集方式，鼠标图像的分割很容易自动化。因此，这样的框架允许生成培训卷积神经网络所需的数据 - 即增强的鼠标图像和相应的地面真实分割 - 无需任何手动分割程序。但是，为了生成具有一致属性的图像数据集（与MRA图像非常相似），我们必须确保增强鼠标图像的统计属性确实与人类MRA的获取符合正确。在这项工作中，我们详细评估了在MRA-TOF上获得的人动脉与我们模型产生的“人源化”小鼠动脉的相似性。最后，一旦模型进行了正式验证，我们将使用卷积神经网络实验其适用性。
从鼠标CT扫描脑图像中学习以检测MRA-TOF人血管
主要关键词
相关文件推荐
