DEEP LEARNING FOR MULTI-SITE MS LESIONS SEGMENTATION: TWO-STEP INTENSITY STANDARDIZATION AND GENERALIZED LOSS FUNCTION

Francesca Galassi 1 Solène Tarride 1 Emmanuel Vallée 2 Olivier Commowick 1 Christian Barillot 1
1 Empenn
INSERM - Institut National de la Santé et de la Recherche Médicale, Inria Rennes – Bretagne Atlantique , IRISA_D5 - SIGNAUX ET IMAGES NUMÉRIQUES, ROBOTIQUE
Abstract : We present an improved CNN framework for the segmentation of Multiple Sclerosis (MS) lesions from multi-modal MRI. It uses a two-step intensity normalization and a cascaded network with cost sensitive learning. Performance was assessed on a public multi-site data-set.
Liste complète des métadonnées

https://hal.archives-ouvertes.fr/hal-02052250
Contributeur : Francesca Galassi <>
Soumis le : jeudi 28 février 2019 - 13:21:20
Dernière modification le : lundi 11 mars 2019 - 09:44:09

Fichier

Template_ISBI2019.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-02052250, version 1

Citation

Francesca Galassi, Solène Tarride, Emmanuel Vallée, Olivier Commowick, Christian Barillot. DEEP LEARNING FOR MULTI-SITE MS LESIONS SEGMENTATION: TWO-STEP INTENSITY STANDARDIZATION AND GENERALIZED LOSS FUNCTION. ISBI ( IEEE International Symposium on Biomedical Imaging ) 2019, Apr 2019, VENICE, Italy. 〈hal-02052250〉

Partager

Métriques

Consultations de la notice

29

Téléchargements de fichiers

33