The segmentation of the lesion plays a core role in diagnosis and monitoring of multiple sclerosis (MS). Magnetic resonance imaging (MRI) is the most frequent image modality used to evaluate such lesions. Because of the massive amount of data, manual segmentation cannot be achieved within a sensible time that restricts the usage of accurate quantitative measurement in clinical practice. Therefore, the need for effective automated segmentation techniques is critical. However, a large spatial variability between the structure of brain lesions makes it more challenging. Recently, convolutional neural network (CNN), in particular, the region-based CNN (R-CNN), have attained tremendous progress within the field of object recognition because of its ability to learn and represent features. CNN has proven a last-breaking performance in various fields, such as object recognition, and has also gained more attention in brain imaging, especially in tissue and brain segmentation. In this paper, an automated technique for MS lesion segmentation is proposed, which is built on a 3D patch-wise R-CNN. The proposed system includes two stages: first, segmenting MS lesions in T2-w and FLAIR sequences using R-CNN, then an adaptive neuro-fuzzy inference system (ANFIS) is applied to fuse the results of the two modalities. To evaluate the performance of the proposed method, the public MICCAI2008 MS challenge dataset is employed to segment MS lesions. The experimental results show competitive results of the proposed method compared with the state-of-the-art MS lesion segmentation methods with an average total score of 83.25 and an average sensitivity of 61.8% on the MICCAI2008 testing set.

The proposed system overview. First, the input of two modalities FLAIR and T2 are pre-processed to remove the skull and correct the bias field. Then 3D patches for lesion and non-lesion tissues are extracted and fed to R-CNN. Each R-CNN produces a probability map of the segmentation result that provides to ANFIS to fuse the results and obtain the final MS lesion segmentation. The MS lesions are shown on a pre-processed FLAIR image.

病变的分割在多发性硬化症（MS）的诊断和监测中起着核心作用。磁共振成像（MRI）是用于评估此类病变的最常见图像形式。由于海量数据，无法在合理的时间内实现手动分割，从而限制了临床实践中精确定量测量的使用。因此，对有效的自动分割技术的需求至关重要。但是，脑部病变结构之间的空间差异很大，因此更具挑战性。最近，卷积神经网络（CNN），特别是基于区域的CNN（R-CNN），由于其具有学习和表示特征的能力，因此在对象识别领域取得了巨大的进步。CNN已在各个领域证明了最新的表现，例如对象识别，并且在脑成像，尤其是组织和脑分割方面也引起了更多关注。本文提出了一种基于3D逐块R-CNN的MS病变分割自动化技术。拟议的系统包括两个阶段：首先，使用R-CNN分割T2-w和FLAIR序列中的MS病变，然后应用自适应神经模糊推理系统（ANFIS）融合两种方法的结果。为了评估所提出方法的性能，采用了公共MICCAI2008 MS挑战数据集对MS病变进行了分割。实验结果表明，与最新的MS病变分割方法相比，该方法具有竞争优势，平均总评分为83.25，平均灵敏度为61.8 并且在脑成像，尤其是组织和脑分割方面也引起了更多关注。本文提出了一种基于3D逐块R-CNN的MS病变分割自动化技术。所提出的系统包括两个阶段：首先，使用R-CNN分割T2-w和FLAIR序列中的MS病变，然后应用自适应神经模糊推理系统（ANFIS）融合两种方法的结果。为了评估所提出方法的性能，采用了公共MICCAI2008 MS挑战数据集来分割MS病变。实验结果表明，与最新的MS病变分割方法相比，该方法具有竞争优势，平均总评分为83.25，平均灵敏度为61.8 并且在脑成像，尤其是组织和脑分割方面也引起了更多关注。本文提出了一种基于3D逐块R-CNN的MS病变分割自动化技术。所提出的系统包括两个阶段：首先，使用R-CNN分割T2-w和FLAIR序列中的MS病变，然后应用自适应神经模糊推理系统（ANFIS）融合两种方法的结果。为了评估所提出方法的性能，采用了公共MICCAI2008 MS挑战数据集来分割MS病变。实验结果表明，与最新的MS病变分割方法相比，该方法具有竞争优势，平均总评分为83.25，平均敏感度为61.8 提出了一种基于3D逐块R-CNN的MS病变分割自动技术。所提出的系统包括两个阶段：首先，使用R-CNN分割T2-w和FLAIR序列中的MS病变，然后应用自适应神经模糊推理系统（ANFIS）融合两种方法的结果。为了评估所提出方法的性能，采用了公共MICCAI2008 MS挑战数据集对MS病变进行了分割。实验结果表明，与最新的MS病变分割方法相比，该方法具有竞争优势，平均总评分为83.25，平均灵敏度为61.8 提出了一种基于3D逐块R-CNN的MS病变分割自动技术。所提出的系统包括两个阶段：首先，使用R-CNN分割T2-w和FLAIR序列中的MS病变，然后应用自适应神经模糊推理系统（ANFIS）融合两种方法的结果。为了评估所提出方法的性能，采用了公共MICCAI2008 MS挑战数据集对MS病变进行了分割。实验结果表明，与最新的MS病变分割方法相比，该方法具有竞争优势，平均总评分为83.25，平均灵敏度为61.8 使用R-CNN分割T2-w和FLAIR序列中的MS病变，然后应用自适应神经模糊推理系统（ANFIS）融合两种方法的结果。为了评估所提出方法的性能，采用了公共MICCAI2008 MS挑战数据集来分割MS病变。实验结果表明，与最新的MS病变分割方法相比，该方法具有竞争优势，平均总评分为83.25，平均灵敏度为61.8 使用R-CNN分割T2-w和FLAIR序列中的MS病变，然后应用自适应神经模糊推理系统（ANFIS）融合两种方法的结果。为了评估所提出方法的性能，采用了公共MICCAI2008 MS挑战数据集对MS病变进行了分割。实验结果表明，与最新的MS病变分割方法相比，该方法具有竞争优势，平均总评分为83.25，平均灵敏度为61.8％在MICCAI2008测试集中。

建议的系统概述。首先，对两个模态FLAIR和T2的输入进行预处理，以去除颅骨并校正偏置场。然后提取病变和非病变组织的3D斑块，并送入R-CNN。每个R-CNN生成分割结果的概率图，该图提供给ANFIS以融合结果并获得最终的MS病变分割。MS损伤显示在预处理的FLAIR图像上。