按照數據集進行劃分：

關于自動分割工具，嬰兒腦MR圖像來自單個時間點，其中縱向數據集不可用，因此必須開發不針對縱向數據集的分割工具，目前提出了一些機器學習方法，但這些方法的效果并不令人滿意。

iseg-2017:

競賽結果一共評估了兩次，第一次評估中的TOP-1為MSL_SKKU，第二次評估中降為了第二名，但由于第二次評估的時間較晚，因此已發表的論文大多與第一次評估中的冠軍作對比，在以下的總結中，把第一次評估的第一名作為挑戰賽的冠軍。

第二次評估結果入下：

第二次評估結果

MICCAI iseg-2017挑戰賽結果：? 第一名為MSL_SKKU

DICE、MHD、ASD

?

DICE結果排名如下：

三項分割標簽各自的DICE排名

?

MHD排名結果如下：?

3項分割標簽各自的MHD排名

?

ASD排名結果如下：

3項分割標簽各自的ASD排名

?

?

前五名的結果為：

top-5

?

與數據集相關的論文：

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? ? 挑戰賽中排名第一? ?隊伍名：MSL-SKKU

取小數點后3位的情況下9項指標6項第一

---

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? ?在某些指標中排名第一或者第二，結果如下：

?

---

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個指標中6個排名前三

該文章基于另外兩篇文章：

?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.

?

iseg-2017

?

取小數點后兩位的情況下，都為9項指標7項第一

對于MRBrainS2013：

MRBrainS2013

提交時間為18.02.16，提交時為第一名，目前排名第6，對比結果如下：

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(上一篇的效果較好)

---

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

? ---排名較靠前? ?隊伍名：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.???

? ---非頂會，效果不好但拿不到數據集

---

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 隊伍名：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.

-----預印本，目前最新效果最好的的論文（WM與GM為最佳性能，CSF具有可比性），提交時間為2018.12.10，未參與挑戰賽排名，實驗結果為：

?	WM	GM	CSF
top-1	0.901	0.919	0.958
論文	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.?

使用的數據集為 iseg-2017，使用的網絡為FCNN，實驗結果接近第一名，實驗結果如下：

CSF指標相同

---

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.?

數據集來源于BCP項目，該數據集作為iseg-2017挑戰賽數據集的一部分（總數，訓練測試集數一樣），結果比挑戰賽TOP-1低2%，但參數減半。

3D-DenseNet為挑戰賽第一名的結果

推薦的文章為：但3篇文章都為預印本

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? ? 挑戰賽中排名第一? ?隊伍名：MSL-SKKU

取小數點后3位的情況下9項指標6項第一

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.

--取小數點后2為的情況下都為9項指標7項第一

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.

-----預印本，目前最新效果最好的的論文（WM與GM為最佳性能，CSF具有可比性），提交時間為2018.12.10，未參與挑戰賽排名

---

?

NDAR數據集

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，數據集來源于NDAR，包含18名受試者，分割結果很好------未找到數據集

分割結果

?

---

neobrains(類別較多)--相關文章較少

第一名排名結果如下（在大多數指標中排名第一）提交時間為2018.09

在40周矯正年齡時獲得軸向掃描

?	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周矯正年齡時獲得冠狀位掃描

?	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周矯正年齡時獲得冠狀位掃描

?	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

使用了該數據集的部分文章：

• Sanroma et al., In: Machine Learning in Medical Imaging (MICCAI), 2016, 27–35
• Moeskops et al., IEEE Transactions on Medical Imaging, 2016, 35(5):1252–1261
• Beare et al., Frontiers in Neuroinformatics, 2016, 10:12
• Moeskops et al., PLOS ONE, 2015, 10(7):e0131552
• Moeskops et al., NeuroImage, 2015, 118:628–641
• Cherel et al., In: SPIE Medical Imaging, 2015, 9413:941311
• Wang et al., NeuroImage, 2015, 108:160–172
• Wang et al., In: Medical Computer Vision (MICCAI), 2014, 8848:22–33
• Chita et al., In: SPIE Medical Imaging, 2013, 8669:86693
• Moeskops et al., In: SPIE Medical Imaging, 2013, 8670:867011

?

?

---

?

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區

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.

MICCAI挑戰賽底部文章：

[1]. Li Wang, Yaozong Gao, Feng Shi, Gang Li, John H. Gilmore, Weili Lin, Dinggang Shen.?LINKS: Learning-based multi-source IntegratioN frameworK for Segmentation of infant brain images, Neuroimage, 108, 160-172, 2015.
[2]. Li Wang, Feng Shi, Yaozong Gao, Gang Li, John H. Gilmore, Weili Lin, Dinggang Shen.?Integration of Sparse Multi-modality Representation and Anatomical Constraint for Isointense Infant Brain MR Image Segmentation, Neuroimage, 89, 152-164, 2014.
[3]. Wenlu Zhang, Rongjian Li, Houtao Deng, Li Wang, Weili Lin, Shuiwang Ji, Dinggang Shen.?Deep Convolutional Neural Networks for Multi-Modality Isointense Infant Brain Image Segmentation, Neuroimage, 108, 214–224, 2015.

綜述文章：

Li G, Wang L, Yap P T, et al. Computational neuroanatomy of baby brains: A review[J]. Neuroimage, 2018.????

? ---引用9 ???綜述文章

A review on automatic fetal and neonatal brain MRI segmentation

? ---綜述文章

Convolutional Neural Networks for Rapid and Simultaneous Brain Extraction and Tissue Segmentation? ?書籍

?

?

?

?

?

?

?

?

?

?

?

?

?

?

吃雞加我：360258904

總結

以上是生活随笔為你收集整理的MICCAI-iseg2017挑战赛小结与婴儿脑组织分割总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。