深度CNN集成和提示性注释在婴儿脑部MRI分割中的应用

精确的婴儿脑组织三维分割是全面进行体积研究和早期脑发育定量分析的重要步骤。然而，计算此类分割非常具有挑战性，特别是对于6个月大的婴儿脑，由于图像质量较差以及其他固有的婴儿脑MRI难题（例如白质和灰质之间的等强度对比度以及因脑部尺寸较小而引起的严重部分体素效应）。本研究通过一组半密集全卷积神经网络（CNN）来探讨这一问题，该方法以T1加权和T2加权MR图像作为输入。我们证明了集合一致性与分割误差高度相关，因此我们的方法提供了可以指导局部用户校正的度量。据我们所知，这是首次使用3D CNN集合在图像中建议注释的工作。此外，受到最近密集网络成功的启发，我们提出了一种新的架构——SemiDenseNet，该架构将所有卷积层直接连接到网络末尾。我们的架构在训练过程中允许高效传播梯度，同时限制参数数量，所需参数比流行的医学图像分割网络（如3D U-Net）少一个数量级。我们工作的另一个贡献是对多种图像模态早期融合或晚期融合对深度架构性能影响的研究。我们在MICCAI iSEG-2017挑战赛的公开数据集上评估了我们的方法，该数据集涉及6个月大婴儿脑的MRI分割，并展示了在21个团队中极具竞争力的结果，在大多数指标上排名第一或第二。