用于准确脑病变分割的高效多尺度3D CNN与全连接CRF

我们提出了一种双路径、11层深的三维卷积神经网络（Convolutional Neural Network, CNN），用于具有挑战性的脑病变分割任务。该架构是在对当前用于类似应用的网络局限性进行深入分析的基础上设计而成的。为了克服处理3D医学扫描图像的计算负担，我们设计了一种高效且有效的密集训练方案，该方案将相邻图像块的处理合并为一次通过网络的过程，同时自动适应数据中固有的类别不平衡问题。此外，我们还分析了如何开发更深、更具判别力的3D CNNs。为了结合局部和更大范围的上下文信息，我们采用了双路径架构，该架构能够在多个尺度上同时处理输入图像。对于网络输出的软分割结果，我们使用了一个3D全连接条件随机场（Conditional Random Field, CRF），有效去除了误报。我们的方法在多通道MRI患者数据中的三种具有挑战性的脑病变分割任务上进行了广泛评估，这些任务包括创伤性脑损伤、脑肿瘤和缺血性卒中。我们在所有三个应用中都超越了现有方法，在公开基准测试BRATS 2015和ISLES 2015中取得了最佳性能排名。我们的方法计算效率高，适用于多种研究和临床环境。我们已将实现该方法的源代码公开发布。