用于儿童脑肿瘤分割的自动化集成方法
图像与视频处理
2024-03-18 v2 计算机视觉与模式识别
机器学习
摘要
脑肿瘤仍是严峻的全球健康挑战，亟需诊断技术与治疗方法的进步。肿瘤或其复发常需在影像研究中识别并与正常脑组织区分。为应对对年龄特异性分割模型（尤其针对儿科患者）日益增长的需求，本研究探索使用磁共振成像（MRI）模态部署深度学习技术。通过引入使用 ONet 与改进版 UNet 的新型集成方法，并结合创新损失函数，本研究为 BraTS-PEDs 2023 挑战赛构建了精确分割模型。数据增强（包括单一与复合变换）确保模型在不同扫描协议下的鲁棒性与准确性。集成策略整合 ONet 与 UNet 模型，在捕获 MRI 图像特定特征与建模多方面表现出更高有效性，在未见验证数据上获得病灶级 Dice 分数分别为 0.52、0.72 和 0.78，在最终测试数据上针对“增强肿瘤”“肿瘤核心”和“全肿瘤”标签分别为 0.55、0.70、0.79。视觉比较进一步确认集成方法在准确肿瘤区域覆盖上的优越性。结果表明，这种基于各模型独特优势构建的先进集成方法，为提升儿科脑肿瘤诊断准确性及有效治疗规划与监测提供了良好前景。
引用
@article{arxiv.2308.07212,
title = {Automated ensemble method for pediatric brain tumor segmentation},
author = {Shashidhar Reddy Javaji and Sovesh Mohapatra and Advait Gosai and Gottfried Schlaug},
journal= {arXiv preprint arXiv:2308.07212},
year = {2024}
}
备注
Accepted at MICCAI BrainLes Workshop 2023