EVC-Net: Multi-scale V-Net with Conditional Random Fields for Brain Extraction

要約

脳抽出は、3次元脳MRIデータの前処理の最初のステップの一つである。これは，今後行われる脳画像解析の前提条件となるものである．しかし，脳や頭部は複雑な構造をしているため，単純なセグメンテーション問題ではない．これまでにも様々な解決策が提案されているが、真にロバストな手法を持つには至っていない。これまでの手法では、構造的／幾何学的な事前分布を用いた機械学習が用いられてきたが、コンピュータビジョンのタスクにおける深層学習の発展に伴い、この意味的セグメンテーションタスクのための畳み込みニューラルネットワークアーキテクチャが提案されるようになってきている。しかし、ほとんどのモデルは、アーキテクチャをほとんど変更せず、学習データと損失関数を改善することに焦点を当てている。本論文では、EVC-Netと呼ぶ新しいアーキテクチャを提案する。EVC-Netは各エンコーダブロックに低スケール入力を追加する。これにより、V-Netアーキテクチャのマルチスケール方式が強化され、それゆえ、モデルの効率が向上する。深層学習時代以前に画像セグメンテーションのための一般的なアプローチである条件付きランダムフィールドは、セグメンテーションで細かい結果を捉えるためにネットワークの出力を洗練するための追加ステップとして、ここで再導入される。本モデルをHD-BET、Synthstrip、brainyなどの最先端手法と比較する。その結果、EVC-Netは限られた学習資源で、より高いダイス係数とジャカード指数を達成し、より低い表面距離を実現することができた。

要約(オリジナル)

Brain extraction is one of the first steps of pre-processing 3D brain MRI data. It is a prerequisite for any forthcoming brain imaging analyses. However, it is not a simple segmentation problem due to the complex structure of the brain and human head. Although multiple solutions have been proposed in the literature, we are still far from having truly robust methods. While previous methods have used machine learning with structural/geometric priors, with the development of deep learning in computer vision tasks, there has been an increase in proposed convolutional neural network architectures for this semantic segmentation task. Yet, most models focus on improving the training data and loss functions with little change in the architecture. In this paper, we propose a novel architecture we call EVC-Net. EVC-Net adds lower scale inputs on each encoder block. This enhances the multi-scale scheme of the V-Net architecture, hence increasing the efficiency of the model. Conditional Random Fields, a popular approach for image segmentation before the deep learning era, are re-introduced here as an additional step for refining the network’s output to capture fine-grained results in segmentation. We compare our model to state-of-the-art methods such as HD-BET, Synthstrip and brainy. Results show that even with limited training resources, EVC-Net achieves higher Dice Coefficient and Jaccard Index along with lower surface distance.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL