Earticle

초록

영어

An automatic and accurate segmentation of brain magnetic resonance imaging (MRI) is significantly important for quantitative analysis of brain tissues such as white matter (WM), grey matter (GM) and cerebrospinal fluid (CSF). In recent years, many deep learning techniques has been employed to examine the human brain in scientific research and clinical diagnosis. In this paper, we proposed a novel segmentation of brain tissues on MRI using M-SegNet architecture. The slices from the brain MRI is partitioned into uniform non-overlapping patches that are fed to M-SegNet architecture with their corresponding patches of ground truth in the encoder stage. Furthermore, multi-scale convolutional kernels with different sizes are used in the encoder and decoder modules to derive abundant semantic features from brain MRI scans. Finally, we examine the proposed architecture for the task of semantic segmentation on publically available datasets. The experimental results show that the proposed patch-wise M-SegNet model achieves a Dice similarity coefficient (DSC) score of 0.95 in average and outperforms the conventional methods.

한국어

백질(WM), 회백질(GM), 뇌척수액(CSF) 등 뇌 조직의 정량적 분석에 뇌 자기공명영상(MRI)의 자동적이고 정확한 분할이 상당히 중요하다. 최근 몇 년 동안, 과학 연구와 임상 진단에서 인간의 뇌를 검사하기 위해 많은 딥 러닝 기술이 사용되어 왔다. 본 논문에서는 M-SegNet 아키텍처를 사용하여 MRI에서 뇌 조직의 새 로운 분할을 제안하였다. 뇌 MRI의 슬라이스는 인코더 단계에서 해당 접지 진실의 패치를 M-SegNet 아키 텍처에 공급하는 겹치지 않는 균일한 패치로 분할된다. 또한, 크기가 다른 멀티 스케일 컨볼루션 커널은 인 코더와 디코더 모듈에 사용되어 뇌 MRI 스캔에서 풍부한 의미적 특징을 도출한다. 마지막으로, 공개적으로 사용 가능한 데이터 세트에 대한 의미 분할 작업을 위해 제안된 아키텍처를 조사한다. 실험 결과는 제안된 패치별 M-SegNet 모델이 평균 0.95의 주사위 유사성 계수(DSC) 점수를 달성하고 기존 방법을 능가한다는 것을 보여준다.

목차

요약
Abstract
Introduction
Proposed method
Experiments
Conclusion
Acknowledgement
References

키워드

저자

• 나가라즈 야마낙카나바르 [ Nagaraj Yamanakkanavar | 조선대학교 IT융합대학 정보통신공학과 ]
• 이범식 [ Bumshik Lee | 조선대학교 IT융합대학 정보통신공학과 ]

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  한국차세대컴퓨팅학회 학술대회

• 간기

  반년간

• 수록기간

  2021~2025

• 십진분류

  KDC 566 DDC 004