大脑提取是预处理3D脑MRI数据的第一步之一。它是任何即将进行的大脑成像分析的先决条件。但是,由于大脑和人头的复杂结构,这并不是一个简单的分割问题。尽管文献中已经提出了多种解决方案,但我们仍然没有真正强大的方法。尽管以前的方法已将机器学习与结构/几何先验使用,但随着计算机视觉任务中深度学习的发展,对于此语义分割任务,建议的卷积神经网络体系结构有所增加。但是,大多数模型都致力于改善培训数据和损失功能,而架构的变化很小。在本文中,我们提出了一种称为EVC-NET的新颖架构。 EVC-NET在每个编码器块上添加了较低的比例输入。这增强了V-NET体系结构的多尺度方案,从而提高了模型的效率。有条件的随机字段,是深度学习时代之前的图像分割的一种流行方法,在这里重新引入,作为完善网络输出以捕获细分粒度结果的额外步骤。我们将我们的模型与HD-BET,Synthstrip和Brainy等最新方法进行比较。结果表明,即使训练资源有限,EVC-NET也可以达到更高的骰子系数和Jaccard指数以及较低的表面距离。
translated by 谷歌翻译