Automatic Skull Stripping of Rat and Mouse Brain MRI Data Using U-Net.
Automatic Skull Stripping of Rat and Mouse Brain MRI Data Using U-Net.
复制标题
DOI：
10.3389/fnins.2020.568614
复制
发表时间：
2020
影响因子：
4.3
通讯作者：
Shih YI
中科院分区：
文献类型：
--
作者：
Hsu LM;Wang S;Ranadive P;Ban W;Chao TH;Song S;Cerri DH;Walton LR;Broadwater MA;Lee SH;Shen D;Shih YI
准确去除大脑外部的磁共振成像 (MRI) 信号（又称颅骨剥离）是大脑图像预处理流程中的关键步骤。在啮齿类动物中，这主要是通过手动编辑脑掩模来实现的，这非常耗时且依赖于操作员。与人类相比，啮齿动物的自动化这一步骤尤其具有挑战性，因为大脑/头皮组织的几何形状、相对于大脑-头皮距离的图像分辨率以及头骨周围的组织对比度存在差异。在这项研究中，我们提出了一种基于深度学习的框架 U-Net，用于自动识别 MR 图像中的啮齿动物大脑边界。 U-Net 方法对于主体间变异具有鲁棒性，并消除了操作员依赖性。为了衡量该方法的效率，我们使用内部收集的数据集和公开可用的数据集来训练和验证我们的模型。与当前最先进的方法相比，我们的方法在大鼠和小鼠中通过松弛增强和 T2* 加权回波平面成像数据实现了优于地面实况 T2 加权快速采集的平均 Dice 相似系数（所有 p < 0.05），证明了我们的方法在各种 MRI 协议中的稳健性能。
Accurate removal of magnetic resonance imaging (MRI) signal outside the brain, a.k.a., skull stripping, is a key step in the brain image pre-processing pipelines. In rodents, this is mostly achieved by manually editing a brain mask, which is time-consuming and operator dependent. Automating this step is particularly challenging in rodents as compared to humans, because of differences in brain/scalp tissue geometry, image resolution with respect to brain-scalp distance, and tissue contrast around the skull. In this study, we proposed a deep-learning-based framework, U-Net, to automatically identify the rodent brain boundaries in MR images. The U-Net method is robust against inter-subject variability and eliminates operator dependence. To benchmark the efficiency of this method, we trained and validated our model using both in-house collected and publicly available datasets. In comparison to current state-of-the-art methods, our approach achieved superior averaged Dice similarity coefficient to ground truth T2-weighted rapid acquisition with relaxation enhancement and T2∗-weighted echo planar imaging data in both rats and mice (all p < 0.05), demonstrating robust performance of our approach across various MRI protocols.
登录
查看更多内容
影响因子：
2.4
作者：
Alom, Md Zahangir;Yakopcic, Chris;Asari, Vijayan K.
通讯作者：
Asari, Vijayan K.
影响因子：
3.4
作者：
Broadwater MA;Lee SH;Yu Y;Zhu H;Crews FT;Robinson DL;Shih YI
通讯作者：
Shih YI
影响因子：
5.7
作者：
Babalola, Kolawole Oluwole;Patenaude, Brian;Rueckert, Daniel
通讯作者：
Rueckert, Daniel
影响因子：
2.5
作者：
Lu, Hanbing;Scholl, Clara A.;Yang, Yihong
通讯作者：
Yang, Yihong
影响因子：
3
作者：
Madularu D;Mathieu AP;Kumaragamage C;Reynolds LM;Near J;Flores C;Rajah MN
通讯作者：
Rajah MN