基于深度学习利用磁共振图像进行脑肿瘤自动分割的可行性研究
图像与视频处理
2020-12-23 v1 计算机视觉与模式识别
机器学习
摘要
深度学习算法极大地加速了人工智能在医学图像分析、解读与分割中的研究，并在医学各子领域具有许多潜在应用。然而，探究这些应用场景的研究中，仅有有限数量被部署到临床部门，以评估模型部署的真实需求与实际挑战。在本研究中，开发了基于深度卷积神经网络（CNN）的分类网络与基于 Faster RCNN 的定位网络，用于脑肿瘤 MR 图像分类与肿瘤定位。基于肿瘤定位的输出，采用一种称为 Prewitt 的典型边缘检测算法执行肿瘤分割任务。所提肿瘤分割架构的整体性能使用客观质量参数进行分析，包括准确率、边界位移误差（BDE）、Dice 分数与置信区间。基于双刺激损伤尺度（DSIS）协议并借助医学专家输入对模型进行了主观质量评估。观察到我们分割输出的置信水平与专家处于相似范围。此外，神经科医生评价我们的模型输出为高度准确的分割。
引用
@article{arxiv.2012.11952,
title = {A Feasibility study for Deep learning based automated brain tumor segmentation using Magnetic Resonance Images},
author = {Shanaka Ramesh Gunasekara and HNTK Kaldera and Maheshi B. Dissanayake},
journal= {arXiv preprint arXiv:2012.11952},
year = {2020}
}
备注
submitted to the JRTE journal