机构名称：
¥ 1.0
1 耶鲁大学医学院放射学和生物医学成像系，康涅狄格州纽黑文 06510 2 耶鲁大学医学院治疗放射学系，康涅狄格州纽黑文 06510 3 耶鲁大学医学院结果研究与评估中心，康涅狄格州纽黑文 06510 4 耶鲁大学医学院心血管医学部，康涅狄格州纽黑文 06510 5 耶鲁大学统计与数据科学系，康涅狄格州纽黑文 06511 摘要 简介：在脑图像上分割肿瘤周围的脑结构对于放射治疗和手术计划非常重要。当前的自动分割方法通常无法分割因肿瘤而扭曲的脑解剖结构。目的：开发和验证 3D 胶囊网络（CapsNets），该网络可以分割具有训练数据中未表示的新型空间特征的脑结构。方法：我们使用在一项多机构研究中获取的 3430 个脑部 MRI 开发、训练和测试了 3D CapsNets。我们使用多种性能指标将我们的 CapsNets 与 U-Nets 进行了比较，包括分割各种脑结构的准确性、分割具有训练数据中未表示的空间特征的脑结构的准确性、使用有限数据训练模型时的性能、内存要求和计算时间。结果：3D CapsNets 可以分割第三脑室、丘脑和海马，Dice 得分分别为 94%、94% 和 91%。3D CapsNets 在分割训练数据中未表示的脑结构方面优于 3D U-Nets，Dice 得分高出 30% 以上。与 3D U-Nets 相比，3D CapsNets 的模型也小得多，可训练参数减少了 93%。这使得 3D CapsNets 在训练过程中收敛速度更快，与 U-Nets 相比，它们的训练速度更快。这两个模型在测试过程中的速度一样快。结论：3D CapsNets 可以高精度地分割大脑结构，在分割具有训练期间未表示的特征的大脑结构方面优于 U-Nets，并且与 U-Nets 相比效率更高，在实现类似结果的同时，其规模却小了一个数量级。
用于脑 MRI 分割的 3D 胶囊网络
主要关键词
相关文件推荐
