MICCAI-iseg2017挑战赛小结与婴儿脑组织分割总结

最新推荐文章于 2025-02-14 14:53:52 发布

躺鸡小能手

最新推荐文章于 2025-02-14 14:53:52 发布

阅读量6.1k

点赞数 3

文章标签：婴儿脑组织分割

本文链接：https://blog.youkuaiyun.com/wu_x_j_/article/details/86503117

版权

按照数据集进行划分：

关于自动分割工具，婴儿脑MR图像来自单个时间点，其中纵向数据集不可用，因此必须开发不针对纵向数据集的分割工具，目前提出了一些机器学习方法，但这些方法的效果并不令人满意。

iseg-2017:

竞赛结果一共评估了两次，第一次评估中的TOP-1为MSL_SKKU，第二次评估中降为了第二名，但由于第二次评估的时间较晚，因此已发表的论文大多与第一次评估中的冠军作对比，在以下的总结中，把第一次评估的第一名作为挑战赛的冠军。

第二次评估结果入下：

MICCAI iseg-2017挑战赛结果：第一名为MSL_SKKU

DICE结果排名如下：

MHD排名结果如下：

ASD排名结果如下：

前五名的结果为：

与数据集相关的论文：

Bui T D, Shin J, Moon T. 3d densely convolution networks for volumetric segmentation[J]. arXiv preprint arXiv:1709.03199, 2017.

---10引用采用DenseNet 挑战赛中排名第一队伍名：MSL-SKKU

取小数点后3位的情况下9项指标6项第一

Dolz J, Desrosiers C, Wang L, et al. Deep CNN ensembles and suggestive annotations for infant brain MRI segmentation[J]. arXiv preprint arXiv:1712.05319, 2017.

---6引用采用SemiDenseNet 在某些指标中排名第一或者第二，结果如下：

Dolz J, Ayed I B, Yuan J, et al. Isointense infant brain segmentation with a hyper-dense connected convolutional neural network[C]//Biomedical Imaging (ISBI 2018), 2018 IEEE 15th International Symposium on. IEEE, 2018: 616-620.

---3引用采用DenseNet 9个指标中6个排名前三

该文章基于另外两篇文章：

Konstantinos Kamnitsas et al., "Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation", Medical image analysis, vol. 36, pp. 61-78, 2017.

Jose Dolz et al., "3D fully convolutional networks for subcortical segmentation in MRI: A large-scale study", NeuroImage, 2017.

Dolz J, Gopinath K, Yuan J, et al. HyperDense-Net: A hyper-densely connected CNN for multi-modal image segmentation[J]. arXiv preprint arXiv:1804.02967, 2018.

取小数点后两位的情况下，都为9项指标7项第一

对于MRBrainS2013：

提交时间为18.02.16，提交时为第一名，目前排名第6，对比结果如下：

HyperDenseNet（top-6）	0.8633	1.34	6.19	0.8946	1.78	6.03	0.8342	2.26	7.31
XMU_SmartDSP2(top-1)	0.865	1.29	5.75	0.899	1.73	5.47	84.8	1.84	6.83

Dolz J, Ayed I B, Yuan J, et al. HyperDense-Net: A hyper-densely connected CNN for multi-modal image semantic segmentation[J]. arXiv preprint arXiv:1710.05956, 2017.

---未了解(上一篇的效果较好)

Fonov V, Doyle A, Evans A C, et al. NeuroMTL iSEG challenge methods[J]. bioRxiv, 2018: 278465.

---排名较靠前队伍名：NeuroMTL

Sanroma G, Benkarim O M, Piella G, et al. Learning to combine complementary segmentation methods for fetal and 6-month infant brain MRI segmentation[J]. Computerized Medical Imaging and Graphics, 2018, 69: 52-59.

---非顶会，效果不好但拿不到数据集

Zeng G, Zheng G. Multi-stream 3D FCN with multi-scale deep supervision for multi-modality isointense infant brain MR image segmentation[C]//Biomedical Imaging (ISBI 2018), 2018 IEEE 15th International Symposium on. IEEE, 2018: 136-140.

---排名第三队伍名：Bern_IPMI 采用FCN

Wang Z, Zou N, Shen D, et al. Global Deep Learning Methods for Multimodality Isointense Infant Brain Image Segmentation[J]. arXiv preprint arXiv:1812.04103, 2018.

-----预印本，目前最新效果最好的的论文（WM与GM为最佳性能，CSF具有可比性），提交时间为2018.12.10，未参与挑战赛排名，实验结果为：

	WM	GM	CSF
top-1	0.901	0.919	0.958
论文	0.9044	0.9219	0.9557

Li T, Zhou F, Zhu Z, et al. A label-fusion-aided convolutional neural network for isointense infant brain tissue segmentation[C]//Biomedical Imaging (ISBI 2018), 2018 IEEE 15th International Symposium on. IEEE, 2018: 692-695.

使用的数据集为 iseg-2017，使用的网络为FCNN，实验结果接近第一名，实验结果如下：

Kumar S, Conjeti S, Roy A G, et al. InfiNet: Fully convolutional networks for infant brain MRI segmentation[C]//Biomedical Imaging (ISBI 2018), 2018 IEEE 15th International Symposium on. IEEE, 2018: 145-148.

数据集来源于BCP项目，该数据集作为iseg-2017挑战赛数据集的一部分（总数，训练测试集数一样），结果比挑战赛TOP-1低2%，但参数减半。

推荐的文章为：但3篇文章都为预印本

1.Bui T D, Shin J, Moon T. 3d densely convolution networks for volumetric segmentation[J]. arXiv preprint arXiv:1709.03199, 2017.

---10引用采用DenseNet 挑战赛中排名第一队伍名：MSL-SKKU

取小数点后3位的情况下9项指标6项第一

2.Dolz J, Gopinath K, Yuan J, et al. HyperDense-Net: A hyper-densely connected CNN for multi-modal image segmentation[J]. arXiv preprint arXiv:1804.02967, 2018.

--取小数点后2为的情况下都为9项指标7项第一

3.Wang Z, Zou N, Shen D, et al. Global Deep Learning Methods for Multimodality Isointense Infant Brain Image Segmentation[J]. arXiv preprint arXiv:1812.04103, 2018.

-----预印本，目前最新效果最好的的论文（WM与GM为最佳性能，CSF具有可比性），提交时间为2018.12.10，未参与挑战赛排名

NDAR数据集

Wang L, Li G, Shi F, et al. Volume-based analysis of 6-month-old infant brain MRI for autism biomarker identification and early diagnosis[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2018: 411-419.

采用U-Net，数据集来源于NDAR，包含18名受试者，分割结果很好------未找到数据集

neobrains(类别较多)--相关文章较少

第一名排名结果如下（在大多数指标中排名第一）提交时间为2018.09

在40周矫正年龄时获得轴向扫描

	CoGM	UMW	CSF	Vent	CB	BS	BGT	MWM	UWM+MWM	CSF+Vent
DC	0.89	0.94	0.85	0.90	0.95	0.86	0.94	0.53(2)	0.93(3)	0.85
MSD	0.1	0.09	0.16	0.14	0.26	0.24	0.30	0.60	0.10	0.16
HD	18.79	10.57	8.66	13.76	16.40	7.13	19.84	9.19	7.83	8.27

在30周矫正年龄时获得冠状位扫描

	CoGM	UWM	CSF	Vent	CB	BS	BGT	MWM	UMW+MWM	SCF+Vent
DC	0.79	0.95	0.89	0.87	0.91	0.84	0.89	-	0.95	0.91
MSD	0.14	0.14	0.13	0.33	0.30	0.37	0.42	-	0.14	0.10
HD	13.81	9.16	6.43	13.69	7.09	7.54	7.98	-	9.99	4,96

在40周矫正年龄时获得冠状位扫描

	CoGM	UWM	CSF	Vent	CB	BS	BGT	MWM	UWM+MWM	CSF+Vent
DC	0.79	0.91	0.82	0.82	0.89	0.68	0.86	0.04	0.91	0.83
MSD	0.21	0.18	0.30	0.41	0.65	1.13	0.98	7.07	0.22	0.28
HD	27.20	24.00	12.86	15.42	26.18	15.15	25.91	27.92	13.75	12.52

使用了该数据集的部分文章：

其他

1.Nie D, Wang L, Adeli E, et al. 3-D fully convolutional networks for multimodal isointense infant brain image segmentation[J]. IEEE Transactions on Cybernetics, 2018. 1区

2.Bernal J, Kushibar K, Cabezas M, et al. Quantitative analysis of patch-based fully convolutional neural networks for tissue segmentation on brain magnetic resonance imaging[J]. arXiv preprint arXiv:1801.06457, 2018.

3.Chen J, Zhang H, Nie D, et al. Automatic accurate infant cerebellar tissue segmentation with densely connected convolutional network[C]//International Workshop on Machine Learning in Medical Imaging. Springer, Cham, 2018: 233-240.