VoxResNet: شبکه‌های باقیمانده voxelwise عمیق برای تقسیم‌بندی مغز از تصاویر MR سه‌بعدی

قطعه‌بندی بافت‌های اصلی مغز از تصاویر پزشکی سه‌بعدی اهمیت زیادی برای تشخیص بیماری‌های مغز، ارزیابی پیشرفت و پایش شرایط نورولوژیک دارد. در حالی که تقسیم‌بندی دستی، وقت گیر، پر زحمت و ذهنی است، بخش‌بندی خودکار به خاطر محیط آناتومیک پیچیده مغز و تغییرات بزرگ بافت‌های مغز، بسیار چالش برانگیز است. ما یک شبکه باقیمانده voxelwise یا (VoxResNet)را با مجموعه‌ای از طرح‌های آموزشی موثر برای مقابله با این مشکل چالش برانگیز پیشنهاد می‌کنیم. مزیت اصلی یادگیری باقی مانده این است که با آموزش یک شبکه عمیق می توان مشکل تخریب را کاهش داد به طوری که دستاوردهای عملکرد با افزایش عمق شبکه به طور کامل اهرمی شوند. با این تکنیک، VoxResNet ما با ۲۵ لایه ساخته می‌شود و از این رو می‌تواند ویژگی‌های نماینده بیشتری را برای مقابله با تغییرات بزرگ بافت‌های مغز نسبت به رقبای خود با استفاده از ویژگی‌های ساخت دست یا شبکه‌های کم‌عمق‌تر کند. به منظور آموزش موثر چنین شبکه‌ای عمیق با داده‌های محدود آموزشی برای تقسیم‌بندی مغز، ما به طور یکپارچه اطلاعات متنی چند سطحی و چند سطحی را در شبکه مان ادغام می‌کنیم، به طوری که اطلاعات

Segmentation of key brain tissues from 3D medical images is of great significance for brain disease diagnosis, progression assessment and monitoring of neurologic conditions. While manual segmentation is time-consuming, laborious, and subjective, automated segmentation is quite challenging due to the complicated anatomical environment of brain and the large variations of brain tissues. We propose a novel voxelwise residual network ( VoxResNet ) with a set of effective training schemes to cope with this challenging problem. The main merit of residual learning is that it can alleviate the degradation problem when training a deep network so that the performance gains achieved by increasing the network depth can be fully leveraged. With this technique, our VoxResNet is built with 25 layers, and hence can generate more representative features to deal with the large variations of brain tissues than its rivals using hand-crafted features or shallower networks. In order to effectively train