HyperAIHyperAI
vor 2 Monaten

Effizientes mehrskaliges 3D-CNN mit vollständig verbundenem CRF für genaue Segmentierung von Hirnläsionen

Konstantinos Kamnitsas; Christian Ledig; Virginia F.J. Newcombe; Joanna P. Simpson; Andrew D. Kane; David K. Menon; Daniel Rueckert; Ben Glocker
Effizientes mehrskaliges 3D-CNN mit vollständig verbundenem CRF für genaue Segmentierung von Hirnläsionen
Abstract

Wir schlagen ein duales Pfadkonzept vor, das eine elfschichtige, dreidimensionale Faltungsschicht-Neuronale Netzwerk (Convolutional Neural Network) für die anspruchsvolle Aufgabe der Hirnlesionensegmentierung darstellt. Die entwickelte Architektur ist das Ergebnis einer eingehenden Analyse der Einschränkungen aktueller Netze, die für ähnliche Anwendungen vorgeschlagen wurden. Um die rechnerische Belastung durch die Verarbeitung dreidimensionaler medizinischer Scans zu reduzieren, haben wir ein effizientes und effektives dichtes Trainingsverfahren entwickelt, das den Prozess benachbarter Bildausschnitte in einen einzigen Durchgang durch das Netzwerk zusammenführt und sich automatisch an die inhärente Klassenungleichverteilung in den Daten anpasst. Darüber hinaus analysieren wir die Entwicklung tieferer und somit diskriminativerer 3D-CNNs (Convolutional Neural Networks). Um sowohl lokale als auch größere kontextuelle Informationen zu integrieren, verwenden wir eine duale Pfadarchitektur, die Eingabebilder gleichzeitig auf mehreren Skalen verarbeitet. Für die Nachbearbeitung der weichen Segmentierung des Netzwerks setzen wir ein dreidimensionales vollständig vernetztes bedingtes Markowfeld (Conditional Random Field) ein, das effektiv Falschpositiven entfernt. Unser Pipeline wird umfassend an drei anspruchsvollen Aufgaben der Lesionensegmentierung in multikanal-MRI-Daten von Patienten mit traumatischen Hirnverletzungen, Hirntumoren und ischämischen Schlaganfällen evaluiert. Wir verbessern den Stand der Technik für alle drei Anwendungen und erzielen Spitzenwerte bei den öffentlichen Benchmarks BRATS 2015 und ISLES 2015. Unsere Methode ist rechnerisch effizient, was ihre Anwendung in verschiedenen Forschungs- und klinischen Kontexten ermöglicht. Der Quellcode unserer Implementierung wird öffentlich zugänglich gemacht.

Effizientes mehrskaliges 3D-CNN mit vollständig verbundenem CRF für genaue Segmentierung von Hirnläsionen | Neueste Forschungsarbeiten | HyperAI