一种用于改进术前多模态MR图像胶质母细胞瘤自动分割的新型3D多路径DenseNet
摘要
卷积神经网络在自动医学图像分割中已取得优异结果。在本研究中，我们提出了一种新型 3D 多路径 DenseNet，用于从四幅多模态术前 MR 图像生成精确的胶质母细胞瘤（GBM）肿瘤轮廓。我们假设多路径架构能比单路径架构实现更精确的分割。本研究纳入 258 名 GBM 患者。每名患者有四幅 MR 图像（T1 加权、对比增强 T1 加权、T2 加权和 FLAIR）以及手动分割的肿瘤轮廓。我们构建了一个 3D 多路径 DenseNet，可经训练从四幅 MR 图像生成相应的 GBM 肿瘤轮廓。同时构建了一个 3D 单路径 DenseNet 用于比较。两个 DenseNet 均基于编码器–解码器架构。在单路径 DenseNet 中，所有四幅图像被拼接并输入单一编码器路径，而在多路径 DenseNet 中每幅输入图像有其自身的编码器路径。患者队列被随机划分为 180 名患者的训练集、39 名患者的验证集和 39 名患者的测试集。使用 Dice 相似系数（DSC）、平均表面距离（ASD）和 95% 豪斯多夫距离（HD95%）评估模型性能。采用 Wilcoxon 符号秩检验考察模型差异。单路径 DenseNet 取得了 DSC 0.9110.060、ASD 1.30.7 mm 和 HD95% 5.27.1 mm，而多路径 DenseNet 取得了 DSC 0.9220.041、ASD 1.10.5 mm 和 HD95% 3.93.3 mm。所有 Wilcoxon 符号秩检验的 p 值均小于 0.05。两个 3D DenseNet 生成的 GBM 肿瘤轮廓均与多模态 MR 图像的手动分割轮廓吻合良好。多路径 DenseNet 实现了比单路径 DenseNet 更精确的肿瘤分割。
引用
@article{arxiv.2005.04901,
title = {A novel 3D multi-path DenseNet for improving automatic segmentation of glioblastoma on pre-operative multi-modal MR images},
author = {Jie Fu and Kamal Singhrao and X. Sharon Qi and Yingli Yang and Dan Ruan and John H. Lewis},
journal= {arXiv preprint arXiv:2005.04901},
year = {2021}
}
备注
15 pages, 6 figures, review in progress