基于 3D U-Net 的脑肿瘤分割与生存天数预测
图像与视频处理
2020-05-26 v2 计算机视觉与模式识别
摘要
过去几年见证了深度学习在许多应用场景中的普及，其中之一是医学图像处理。脑肿瘤的诊断和治疗需要以准确可靠的脑肿瘤分割为前提。然而，这类工作传统上需要脑外科医生耗费大量时间。计算机视觉技术可以使外科医生从繁琐的标记过程中解脱出来。本文借助脑级归一化和分块策略，训练了一个基于 3D U-Net 的深度学习模型，用于 BraTS 2019 竞赛中的脑肿瘤分割任务。在验证数据集上，增强肿瘤、肿瘤核心和全肿瘤的 Dice 系数分别为 0.737、0.807 和 0.894。在测试数据集上这三个值分别为 0.778、0.798 和 0.852。此外，从预测的肿瘤标签中提取了包括肿瘤大小与脑大小之比、肿瘤表面积以及受试者年龄在内的数值特征，并用于总体生存天数预测任务。在验证数据集上准确率可达 0.448，在最终测试数据集上为 0.551。
引用
@article{arxiv.1909.12901,
title = {3D U-Net Based Brain Tumor Segmentation and Survival Days Prediction},
author = {Feifan Wang and Runzhou Jiang and Liqin Zheng and Chun Meng and Bharat Biswal},
journal= {arXiv preprint arXiv:1909.12901},
year = {2020}
}
备注
Third place award of the 2019 MICCAI BraTS challenge survival task [BraTS 2019](https://www.med.upenn.edu/cbica/brats2019.html)