脑分割软件包
DARTSeg的Python项目详细描述
基于DenseUnet的自动快速脑分割(DARTS)
与项目相关的论文
这篇论文详细描述了项目和实验(链接到待更新的论文)。在
脑MR分割的深度学习模型
我们使用Human Connectome Project数据集中的1113名受试者的自由曲面分段预训练我们的稠密的Unet模型,并使用来自Mindboggle数据集的101个手动标记的大脑扫描对模型进行微调。在
该模型能够在一分钟内完成整个大脑的分割(在具有单个GPU的机器上)。该模型标记了大脑中的102个区域,成为第一个在一分钟内分割出100多个大脑区域的模型。102个地区的详细信息可以在下面找到。在
智囊团的结果提供了数据
方块图比较密集U网和U网不同ROI的骰子得分。稠密的U-Net始终优于U-Net,并且在大多数roi中实现了良好的骰子得分。在
使用预训练模型进行完整的脑分割
用户可以使用预先训练好的模型来进行完整的脑MR分割。要使用coronaly预先训练的模型,用户必须执行^{
以下代码块可用于执行预测:
usage: perform_pred.py [-h] [--input_image_path INPUT_IMAGE_PATH]
[--segmentation_dir_path SEGMENTATION_DIR_PATH]
[--file_name FILE_NAME] [--model_type MODEL_TYPE]
[--model_wts_path MODEL_WTS_PATH] [--is_mgz [IS_MGZ]]
[--save_prob [SAVE_PROB]] [--use_gpu [USE_GPU]]
optional arguments:
-h, --help show this help message and exit
--input_image_path INPUT_IMAGE_PATH
Path to input image (can be of .mgz or .nii.gz
format)(required)
--segmentation_dir_path SEGMENTATION_DIR_PATH
Directory path to save the output segmentation
(required)
--file_name FILE_NAME
Name of the segmentation file (required)
--model_type MODEL_TYPE
Model types: "dense-unet", "unet" (default: "dense-
unet")
--model_wts_path MODEL_WTS_PATH
Path for model wts to be used (default='./saved_model_
wts/dense_unet_back2front_finetuned.pth')
--is_mgz [IS_MGZ] Is the image in .mgz format (default=False, default
format is .nii.gz)
--save_prob [SAVE_PROB]
Should the softmax prob values for each voxel be saved
? (default: False)
--use_gpu [USE_GPU] Use GPU for inference? (default: True)
例如如下所示:
^{pr2}$预训练模型wts
可从here下载预训练模型wts。在
模型体系结构有两种:密集U-Net和U-Net。每一个模型都使用从冠状、矢状或轴向提取的二维切片进行训练。模型的名称将包含方向和模型体系结构信息。在
输出分段
输出分段有103个标记的段,最后一个是None类。分割的标签与Freesurfer的aseg+aparc分割协议非常相似。在
我们排除了正常大脑不常见的4个脑区:白质和非白质低强度,左、右额叶和颞叶。我们还排除了左右“未知”片段。我们也排除了左岸和右岸,因为神经放射学界对这些片段没有一个共同的定义。在
类号和相应的段名的完整列表可以找到here。在
样本预测
脑岛
在这里我们可以清楚地看到,自由曲面(FS)错误地预测了正确的岛叶节段,仅使用FS分段训练的模型也学习了错误的预测。我们提出的模型是在手动注释数据集上进行微调的,它正确地捕捉了区域。此外,该片段在生物学上看起来很自然,不像FS的分割那样颗粒状、噪声大、边界不光滑。 在
壳核
在这里,我们再次看到FS分割质量较低,但我们提出的微调模型表现良好,并产生更自然的分割。 在
苍白球
苍白球的FS分割质量也不高,但所提出的模型表现良好。 在
更多预测
这里可以看到Putamen、Caudate、Hippocampus和{a10}的一些示例预测。在所有的图像中,预测1=自由曲面,预测2=未微调的稠密Unet,预测3=精细调谐的密集Unet。在
可以看出,自由曲面运动经常在确定精确边界时出错,而基于深度学习的模型具有具有精确边界的自然感兴趣区域。在
联系人
如果您对代码有任何疑问,请联系ark576[电话]纽约大学教育大学或者在github回购上提出问题。在
- 项目
标签: