使用 ProTECTIII 多中心临床试验 CT 数据对创伤性脑损伤病灶进行 2D 图像分割算法的比较研究
图像与视频处理
2020-06-04 v1 计算机视觉与模式识别
机器学习
摘要
医学图像的自动分割引起了临床医生和机器学习研究人员的广泛兴趣。分割的目标是提高医学图像中感兴趣区域可视化和量化的效率与简便性。由于图像内部存在多参数异质性，图像分割是一项困难的任务，这一障碍在尝试从非增强头部计算机断层扫描（CT）自动分割脑损伤病灶的努力中尤为棘手。在本研究中，我们尝试了多种现有的深度学习架构，以分割中重度创伤性脑损伤（TBI）后发现的不同表型出血性病灶。这些病灶包括：脑实质内出血（IPH）、硬膜下血肿（SDH）、硬膜外血肿（EDH）和创伤性挫伤。在使用带有 Focal Tversky 损失函数的 UNet++ 2D 架构的脑实质内出血（IPH）病例中，我们实现了 0.94 的最优 Dice 系数得分，相比于使用带有二元交叉熵损失函数的 UNet 2D 架构的 0.85 有所提升。此外，在相同设置下，我们在轴外出血和创伤性挫伤病例中分别实现了 0.90 和 0.86 的 Dice 系数得分。
引用
@article{arxiv.2006.01263,
title = {A comparative study of 2D image segmentation algorithms for traumatic brain lesions using CT data from the ProTECTIII multicenter clinical trial},
author = {Shruti Jadon and Owen P. Leary and Ian Pan and Tyler J. Harder and David W. Wright and Lisa H. Merck and Derek L. Merck},
journal= {arXiv preprint arXiv:2006.01263},
year = {2020}
}
备注
9 pages, 3 figures, 3 tables