基于深度学习与主动轮廓的 MRI 脑肿瘤定位与分割系统化方法
图像与视频处理
2021-02-09 v1 人工智能
计算机视觉与模式识别
摘要
肿瘤提取的主要需求之一是对肿瘤边界进行正确标注与分割。为此，我们提出一种三重深度学习架构。首先用深度卷积神经网络（CNN）实现分类器，其次对分类后图像执行基于区域的卷积神经网络（R-CNN）以定位肿瘤感兴趣区域。作为第三也是最后阶段，利用 Chan-Vese 分割算法对聚焦的肿瘤边界进行轮廓化以完成分割过程。由于典型的基于像素强度梯度的边缘检测算法在医学图像分割中往往失效，我们提出一种用水平集函数定义的主动轮廓算法。具体地，应用 Chan-Vese 算法检测肿瘤边界以进行分割。为评估整体系统性能，通过计算 Dice 分数、Rand 指数（RI）、信息变异（VOI）、全局一致性误差（GCE）、边界位移误差（BDE）、平均绝对误差（MAE）和峰值信噪比（PSNR），将作为最终输出的分割边界区域与作为金标准的专家标注进行对比。所提架构对胶质瘤与脑膜瘤分割的整体性能平均 Dice 分数为 0.92（同时 RI 为 0.9936、VOI 为 0.0301、GCE 为 0.004、BDE 为 2.099、PSNR 为 77.076、MAE 为 52.946），表明该架构具有高可靠性。
引用
@article{arxiv.2102.03532,
title = {A Systematic Approach for MRI Brain Tumor Localization, and Segmentation using Deep Learning and Active Contouring},
author = {Shanaka Ramesh Gunasekara and H. N. T. K. Kaldera and Maheshi B. Dissanayake},
journal= {arXiv preprint arXiv:2102.03532},
year = {2021}
}
备注
accepted for publication in Journal of Healthcare Engineering, Hindawi in 2021