一种用于模拟切除的术后脑腔自监督分割学习策略
摘要
脑切除腔（RCs）的准确分割有助于术后分析并确定随访治疗方案。卷积神经网络（CNNs）是最先进的图像分割技术，但需要大量标注数据集进行训练。3D 医学图像的标注耗时，需要训练有素的标注者，且可能存在较高的标注者间差异。自监督学习策略可利用无标注数据进行训练。我们开发了一种从术前磁共振图像（MRIs）模拟切除的算法。我们使用该模拟方法对用于 RC 分割的 3D CNN 进行自监督训练。我们整理了 EPISURG，一个包含 430 名接受切除性神经外科手术的难治性癫痫患者的 430 张术后和 268 张术前 MRIs 的数据集。我们在来自不同机构的三个小型标注数据集以及 EPISURG 中的标注图像上微调我们的模型，分别包含 20、33、19 和 133 名受试者。在模拟切除数据上训练的模型在四个数据集上获得的中位（四分位距）Dice 分数系数（DSCs）分别为 81.7 (16.4)、82.4 (36.4)、74.9 (24.2) 和 80.5 (18.7)。微调后，DSCs 为 89.2 (13.3)、84.1 (19.8)、80.2 (20.1) 和 85.2 (10.8)。作为比较，我们先前研究中人类标注者间的标注者间一致性为 84.0 (9.9)。我们提出了一种利用模拟 RCs 对 3D CNNs 进行自监督学习的策略，以在术后 MRI 上准确分割真实 RCs。我们的方法对来自不同机构、病理和模态的数据具有良好的泛化能力。源代码、分割模型和 EPISURG 数据集可在 https://github.com/fepegar/ressegijcars 获取。
引用
@article{arxiv.2105.11239,
title = {A self-supervised learning strategy for postoperative brain cavity segmentation simulating resections},
author = {Fernando Pérez-García and Reuben Dorent and Michele Rizzi and Francesco Cardinale and Valerio Frazzini and Vincent Navarro and Caroline Essert and Irène Ollivier and Tom Vercauteren and Rachel Sparks and John S. Duncan and Sébastien Ourselin},
journal= {arXiv preprint arXiv:2105.11239},
year = {2021}
}
备注
To be published in the International Journal of Computer Assisted Radiology and Surgery (IJCARS) - Special issue MICCAI 2020