Tiefe CNN-Ensembles und vorschlagende Annotationen für die Segmentierung von Säuglings-Hirn-MRI

Die präzise 3D-Segmentierung von Säuglingshirngewebe ist ein wesentlicher Schritt für umfassende volumetrische Studien und quantitative Analysen der frühen Hirnentwicklung. Die Berechnung solcher Segmentierungen ist jedoch sehr herausfordernd, insbesondere bei sechsmonatigen Säuglingen aufgrund der schlechten Bildqualität und weiterer Schwierigkeiten, die mit der Magnetresonanztomographie (MRT) des Säuglingshirns verbunden sind, wie z.B. das isointense Kontrastverhältnis zwischen weißem und grauem Gehirngewebe sowie den starken partiellen Volumeneffekten aufgrund der kleinen Hirngrößen. Diese Studie untersucht das Problem mit einem Ensemble von semi-dichten vollständig konvolutiven neuronalen Netzen (CNNs), das T1-gewichtete und T2-gewichtete MRT-Bilder als Eingabe verwendet. Wir zeigen, dass die Übereinstimmung innerhalb des Ensembles stark mit den Segmentierungsfehlern korreliert. Daher bietet unsere Methode Maßnahmen, die lokale Korrekturen durch Benutzer leiten können. Nach bestem Wissen ist diese Arbeit das erste Ensemble von 3D-CNNs zur Vorschlagsgenerierung von Annotationen innerhalb von Bildern. Darüber hinaus inspiriert uns der jüngste Erfolg dichter Netzwerke zu einem neuen Architekturkonzept: SemiDenseNet, das alle konvolutiven Schichten direkt mit dem Ende des Netzwerks verbindet. Unsere Architektur ermöglicht eine effiziente Gradientenpropagation während des Trainings und begrenzt gleichzeitig die Anzahl der Parameter, wodurch sie etwa einen Größenordnung weniger Parameter benötigt als populäre medizinische Bildsegmentierungsnetze wie 3D U-Net. Ein weiterer Beitrag unserer Arbeit besteht in der Untersuchung des Einflusses frühzeitiger oder spätzeitiger Fusion mehrerer Bildmodalitäten auf die Leistungsfähigkeit tiefer Architekturen. Wir berichten über Evaluierungen unserer Methode anhand öffentlich zugänglicher Daten des MICCAI iSEG-2017 Challenges zur Segmentierung von sechsmonatigen Säuglingshirnen und zeigen sehr wettbewerbsfähige Ergebnisse unter 21 Teams, indem wir in den meisten Metriken ersten oder zweiten Rang belegen.