3D Dense-U-Net for MRI brain tissue segmentation

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F18%3APU128515" target="_blank" >RIV/00216305:26220/18:PU128515 - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/8441508" target="_blank" >https://ieeexplore.ieee.org/document/8441508</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/TSP.2018.8441508" target="_blank" >10.1109/TSP.2018.8441508</a>

Jazyk výsledku

angličtina

Název v původním jazyce

3D Dense-U-Net for MRI brain tissue segmentation

Popis výsledku v původním jazyce

This paper presents a fully automatic method for 3D segmentation of brain tissue on MRI scans using modern deep learning approach and proposes 3D Dense-U-Net neural network architecture using densely connected layers. In contrast with many previous methods, our approach is capable of precise segmentation without any preprocessing of the input image and achieved accuracy 99.70 percent on testing data which outperformed human expert results. The architecture proposed in this paper can also be easily applied to any project already using U-net network as a segmentation algorithm to enhance its results. Implementation was done in Keras on Tensorflow backend and complete source-code was released online.

Název v anglickém jazyce

3D Dense-U-Net for MRI brain tissue segmentation

Popis výsledku anglicky

This paper presents a fully automatic method for 3D segmentation of brain tissue on MRI scans using modern deep learning approach and proposes 3D Dense-U-Net neural network architecture using densely connected layers. In contrast with many previous methods, our approach is capable of precise segmentation without any preprocessing of the input image and achieved accuracy 99.70 percent on testing data which outperformed human expert results. The architecture proposed in this paper can also be easily applied to any project already using U-net network as a segmentation algorithm to enhance its results. Implementation was done in Keras on Tensorflow backend and complete source-code was released online.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20201 - Electrical and electronic engineering

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 2018 41st International Conference on Telecommunications and Signal Processing (TSP)

ISBN

978-1-5386-4695-3

ISSN

—

e-ISSN

—

Počet stran výsledku

4

Strana od-do

237-240

Název nakladatele

IEEE

Místo vydání

Athens, Greece

Místo konání akce

Athens, Greece

Datum konání akce

4. 7. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000454845100055