Region-based U-net for accelerated training and enhanced precision in deep brain segmentation

本文介绍了一种基于深度学习的分割方法，用于对MRI图像中的12个深部脑结构进行分割，采用多个基于区域的U-Net。该方法将大脑分为三个区域，包括脑干、脑室系统和纹状体。然后，三个基于区域的U-Net并行运行，将这些大结构分为各自的四个子结构。相比于一次性分割整个MRI图像，该方法不仅大大降低了训练和处理时间，而且显著提高了分割精度。本方法的平均Dice相似系数（DSC）为0.901，95％的Hausdorff距离（HD95）为1.155毫米，达到了卓越的精度。该方法与最先进的分割方法进行了比较，证明了该方法的高精度和鲁棒性。MRI图像的分割是进行脑部疾病定量分析的首要步骤，手动分割仍然被认为是精度的金标准，但是这种数据生成极其耗时。

使用深度学习方法对MRI图像进行脑结构分割，以便进一步进行定量分析，以解决手动分割耗时且精度有限的问题。

将大脑分成三个感兴趣的区域，然后使用三个基于区域的U-Net模型将这些区域进一步分割成12个深度脑结构，从而提高了分割的准确性和效率。

论文使用多个区域U-Net模型进行脑结构分割，相比于整个MRI图像进行分割，大大减少了训练和处理时间，同时提高了分割的准确性。平均Dice相似系数为0.901，95％的Hausdorff距离为1.155毫米。论文使用的数据集包括IXI和MICCAI2012 Grand Challenge，并提供了开源代码。

最近的相关研究包括：1. “Automated segmentation of brain MR images using a combination of knowledge-based and voxel-based methods” 2. “Deep learning for brain MRI segmentation: state of the art and future directions” 3. “A survey on deep learning in medical image analysis”