机构名称：
¥ 1.0
脑部扫描的解剖分割与诊断和神经放射学研究高度相关。由于软组织对比度强，传统上分割是在 T 1 加权 MRI 扫描上进行的。在这项工作中，我们报告了一项基于学习的自动化脑部分割的比较研究，该研究针对 MRI 和计算机断层扫描 (CT) 扫描的各种其他对比度进行，并研究了这些成像模式中包含的解剖软组织信息。总共包含 853 个 MRI/CT 脑部扫描的大型数据库使我们能够训练卷积神经网络 (CNN) 进行分割。我们在四种不同的成像模式和 27 个解剖子结构上对 CNN 性能进行了基准测试。对于每种模式，我们基于一个通用架构训练一个单独的 CNN。我们发现平均 Dice 得分分别为 86.7 ± 4.1 %（T 1 加权 MRI）、81.9 ± 6.7 %（液体衰减反转恢复 MRI）、80.8 ± 6.6 %（扩散加权 MRI）和 80.7 ± 8.2%（CT）。性能是相对于使用广泛采用的 FreeSurfer 软件包获得的标签进行评估的。分割管道使用 dropout 采样来识别损坏的输入扫描或低质量分割。在图形处理单元上，对超过 200 万人素的 3D 体积进行完整分割需要不到 1 秒的处理时间。
使用神经网络对 3D 脑部扫描进行多模态分割
主要关键词
相关文件推荐
