一种基于图像相减分割异质脑肿瘤的新型 Mask R-CNN 模型

Sanskriti Singh

一种基于图像相减分割异质脑肿瘤的新型 Mask R-CNN 模型

图像与视频处理 2022-04-05 v1 计算机视觉与模式识别

作者: Sanskriti Singh

摘要

疾病分割是机器学习领域研究者关注的热门课题。脑肿瘤极其危险，需要极高精度进行分割以成功手术。肿瘤患者通常进行 4 次 MRI 扫描，即 T1、T1gd、T2 和 FLAIR，随后交由放射科医生分割和分析以评估未来可能的手术。为形成第二重分割，对放射科医生和患者都更有信心得出结论大有裨益。我们提出采用放射科医生所用的一种称为图像相减的方法，并将其应用于机器学习模型，以证明更好的分割效果。使用 Mask R-CNN，其 ResNet 主干在 RSNA 肺炎检测挑战数据集上预训练，我们可以在 Brats2020 脑肿瘤数据集上训练模型。Center for Biomedical Image Computing & Analytics 提供了带与不带脑肿瘤患者的 MRI 数据及相应分割结果。通过将图像相减方法与未使用图像相减的模型在未经触碰的测试集上通过 DICE 系数（F1 分数）、召回率和精确率进行比较，可看出图像相减方法的效果。我们的模型 DICE 系数达 0.75，而未使用图像相减时为 0.69。为进一步强调图像相减的效用，我们将最终模型与当前最先进的（SOTA）脑 MRI 扫描肿瘤分割模型进行比较。

关键词

脑肿瘤分割 Mask R-CNN 图像相减 MRI Brats2020 DICE 系数

引用

@article{arxiv.2204.01201,
  title  = {A Novel Mask R-CNN Model to Segment Heterogeneous Brain Tumors through Image Subtraction},
  author = {Sanskriti Singh},
  journal= {arXiv preprint arXiv:2204.01201},
  year   = {2022}
}

备注

8 pages, 7 figures

一种基于图像相减分割异质脑肿瘤的新型 Mask R-CNN 模型

摘要

关键词

引用

备注

相关论文