基于注意力机制的3D U-Net婴幼儿脑组织MR图像分割

doi:10.12068/j.issn.1005-3026.2021.05.002

东北大学学报（自然科学版） ›› 2021, Vol. 42 ›› Issue (5): 616-623.DOI: 10.12068/j.issn.1005-3026.2021.05.002

基于注意力机制的3D U-Net婴幼儿脑组织MR图像分割

魏颖，雷志浩，齐林

(东北大学信息科学与工程学院，辽宁沈阳110819)

修回日期:2020-07-23 接受日期:2020-07-23 发布日期:2021-05-20
通讯作者: 魏颖
作者简介:魏颖(1968-)，女，辽宁本溪人，东北大学教授，博士生导师.
基金资助:
基金项目；(半空) 基金项目.国家自然科学基金资助项目(61871106)；辽宁省重点研发项目(2020JH2/10100029).

3D U-Net Infant Brain Tissue MR Image Segmentation Based on Attention Mechanism

WEI Ying， LEI Zhi-hao， QI Lin

School of Information Science & Engineering， Northeastern University， Shenyang 110819， China.

Revised:2020-07-23 Accepted:2020-07-23 Published:2021-05-20
Contact: WEI Ying
About author:-
Supported by:
-

摘要/Abstract

摘要： 在婴幼儿脑组织分割领域中，婴幼儿脑组织存在对比度低、灰度不均匀等问题，这些问题导致现有方法的精度仍然达不到满意的结果.因此，本文提出了一种基于三维U-Net网络的脑部核磁共振图像组织分割方法，融合注意力机制模块和金字塔结构模块，可以更好地在不同的层次和位置提供模型信息，图像的上下文信息得到充分的应用以降低图像信息损失，同样还可以挖掘通道映射之间的相互依赖关系和特征映射，提高特定语义的特征表示.在Iseg2017数据集中所提出算法的WM(白质)，GM(灰质)的DICE指标结果与此前最优结果相比提高了0.7%，0.7%，CSF(脑脊液)则具有可对比性.在Iseg2019跨数据集挑战的评估当中，WM，GM的分割结果在DICE，ASD两个指标均取得了第一名，CSF的指标获得第二名.

关键词: 婴幼儿脑MR图像;脑组织分割;多模态数据;3D深度学习

Abstract: In the field of infant brain tissue segmentation， infant brain tissue has problems such as low contrast and uneven gray scale. These problems lead to the unsatisfied accuracy of the existing methods. A brain MRI image tissue segmentation method was proposed based on a three-dimensional U-Net network(3D U-Net)， which combines the attention mechanism module and the pyramid structure module， to better provide model information at different levels and positions. The contextual information of the image is fully applied to reduce the loss of image information. It can also mine the interdependence and feature mapping between channel mappings to improve the feature representation of specific semantics.The DICE index results of WM (white matter) and GM (gray matter) of the algorithm proposed in the Iseg2017 dataset have increased by 0.7% compared with the previous optimal results， and the CSF (cerebrospinal fluid) index is with comparability. In the evaluation of the Iseg2019 cross-dataset challenge， the segmentation results of WM， GM in DICE ratio and ASD achieved first place，while the CSF index won the second place.

Key words: infant brain MR images; brain tissue segmentation; multimodality data; 3D deep learning

中图分类号:

TP20

魏颖，雷志浩，齐林. 基于注意力机制的3D U-Net婴幼儿脑组织MR图像分割[J]. 东北大学学报（自然科学版）, 2021, 42(5): 616-623.

WEI Ying， LEI Zhi-hao， QI Lin. 3D U-Net Infant Brain Tissue MR Image Segmentation Based on Attention Mechanism[J]. Journal of Northeastern University(Natural Science), 2021, 42(5): 616-623.

参考文献

[1]Long J，Shelhamer E，Darrell T.Fully convolutional networks for semantic segmentation［J］.IEEE Transactions on Pattern Analysis & Machine Intelligence，2014，39(4):640-651.
[2]Ronneberger O，Fischer P，Brox T.U-Net:convolutional networks for biomedical image segmentation［C］// International Conference on Medical Image Computing & Computer-Assisted Intervention.Munich，2015:234-241.
[3]Chen L C，Papandreou G，Kokkinos I，et al.Semantic image segmentation with deep convolutional nets and fully connected CRFs ［J］.Computer Science，2014(4):357-361.
[4]Zeng G D，Zheng G Y.Multi-stream 3D FCN with multi-scale deep supervision for multi-modality isointense infant brain MR image segmentation ［J/OL］.［2020-07-23］.https://arxiv.org/format/1711.10212v2.
[5]Yu F，Koltun V，Funkhouser T，et al.Dilated residual networks［C］//Computer Vision and Pattern Recognition.Phoenix，2017:636-644.
[6]Coates A，Ng A Y，Lee H，et al.An analysis of single-layer networks in unsupervised feature learning［C］// International Conference on Artificial Intelligence and Statistics.Lauderdale，2011:215-223.
[7]罗会兰，卢飞，孔繁胜.基于区域与深度残差网络的图像语义分割［J］.电子与信息学报，2019，41(11):2777-2786.(Luo Hui-lan，Lu Fei，Kong Fan-sheng.Image semantic segmentation based on region and depth residual network［J］.Journal of Electronics and Information，2019，41(11):2777-2786.)
[8]Laskar Z，Kannala J.Context aware query image representation for particular object retrieval［C］//Candinavian Conference on Image Analysis.Cham，2017:88-99.
[9]Vaswani A，Shazeer N，Parmar N，et al.Attention is all you need［J/OL］.［2020-07-23］.https://arxiv.org/abs/1706.03762v5.
[10]Chen L，Zhang H，Xiao J，et al.SCA-CNN:spatial and channel-wise attention in convolutional networks for image captioning［C］//Computer Vision and Pattern Recognition.College Park，2017:6298-6306.
[11]Fu J，Liu J，Tian H，et al.Dual attention network for scene segmentation［C］//2019 IEEE/CVF Conference on computer Vision and Pattern Recognition.LongBeach，2019:19263391.
[12]Wang L，Nie D，Li G，et al.Benchmark on automatic 6-month-old infant brain segmentation algorithms:the Iseg-2017 challenge［J］.IEEE Transactions on Medical Imaging，2019，38 (9):2219-2230.
[13]Mondal A K，Dolz J，Desrosiers C.Few-shot 3D multi-modal medical image segmentation using generative adversarial learning［J/OL］.［2020-01-23］.https://arxiv.org/abs/1810.12241v1.
[14]Dolz J，Gopinath K，Jing Y，et al.Hyper dense-net:a hyper-densely connected CNN for multi-modal image segmentation［J］. IEEE Transactions on Medical Imaging，2018，38(5):1116-1126.

[1]	耿蓉，吴亚倩，肖倩倩，徐赛. 基于改进GRU算法的天基信息网资源预测研究[J]. 东北大学学报（自然科学版）, 2023, 44(3): 305-314.
[2]	罗忠，吴东泽，李雷，葛长闯. 转子系统动力学仿真平台设计与实验验证[J]. 东北大学学报（自然科学版）, 2023, 44(3): 375-381.
[3]	侯振隆，郑玉君，巩恩普，程浩. 基于深度加权的重力梯度数据联合相关成像反演[J]. 东北大学学报:自然科学版, 2020, 41(11): 1628-1632.
[4]	吴超，李元辉，徐帅，戴星航. 地下工程岩体节理迹长统计下限值的确定方法[J]. 东北大学学报:自然科学版, 2020, 41(8): 1167-1173.
[5]	温守钦，唐铁乔，谢伟，付建飞. 氧、硫逸度对岫岩红旗铅锌矿床矿物组合共生分异的制约[J]. 东北大学学报:自然科学版, 2020, 41(7): 999-1007.
[6]	齐锡晶，唐梁，康伟鑫，秦娇娇. 高速公路桥梁桥面板养护方案多目标决策方法[J]. 东北大学学报:自然科学版, 2020, 41(7): 1033-1040.
[7]	蔡志辉，张德良，周彦君，文光奇. 应变速率对Fe-11Mn-2Al-0.2C中锰钢变形行为的影响[J]. 东北大学学报:自然科学版, 2020, 41(7): 1041-1047.
[8]	马树军，王霄霄. 吸附微粒对微悬空桥传感器的影响[J]. 东北大学学报:自然科学版, 2020, 41(1): 108-112.
[9]	马树军，玄航，孙嘉蔚，杨磊. 在非黏性流体域中微悬臂梁振动的建模与仿真[J]. 东北大学学报:自然科学版, 2018, 39(9): 1272-1276.
[10]	马树军，修强. 考虑表面应力的微悬臂梁质量传感器的建模与仿真[J]. 东北大学学报:自然科学版, 2018, 39(2): 237-241.
[11]	陈大力，沈岩涛，谢槟竹，马颖异. 基于余弦相似度模型的最佳教练遴选算法[J]. 东北大学学报:自然科学版, 2014, 35(12): 1697-1700.
[12]	潘峰，刘禄，薛定宇. 最优分数阶PIλDμ网络时延控制器[J]. 东北大学学报:自然科学版, 2014, 35(10): 1382-1385.
[13]	刘禄，潘峰，薛定宇. 一种分数阶卡尔曼滤波器[J]. 东北大学学报:自然科学版, 2014, 35(8): 1069-1072.
[14]	刘金海，冯健，马大中. 流体管道压力信号的高精度实时滤波方法[J]. 东北大学学报:自然科学版, 2013, 34(1): 9-12.
[15]	孙艳蕊. 带时间和成本约束的随机流网络可靠度的计算[J]. 东北大学学报（自然科学版）, 2013, 34(11): 1537-1541.

基于注意力机制的3D U-Net婴幼儿脑组织MR图像分割

3D U-Net Infant Brain Tissue MR Image Segmentation Based on Attention Mechanism

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价