基于磁共振成像肿瘤标注的2D内操作超声图像自动脑肿瘤分割
图像与视频处理
2025-08-18 v3 计算机视觉与模式识别
机器学习
摘要
自动分割内操作超声（iUS）图像中的脑肿瘤可促进手术期间对肿瘤组织的定位。缺乏大规模标注数据限制了当前模型的性能。本文研究了使用磁共振成像（MRI）扫描中的肿瘤标注（比iUS标注更易获得）来训练用于iUS脑肿瘤分割的深度学习模型。我们使用180个带有对应未标注iUS图像的MRI标注扫描，以及29个标注iUS图像。 performed图像注册以将MRI标注传递到相应的iUS图像上，然后使用不同数据和标签来源的配置训练nnU-Net模型。结果显示，仅使用MRI标注的模型Dice得分与仅使用iUS标注的模型以及两者结合的模型以及专家标注的模型之间没有显著差异，表明MRI肿瘤标注可用于训练用于自动分割iUS图像中脑肿瘤的深度学习模型。最佳模型获得了平均Dice得分，而专家神经外科医生为，其中对大肿瘤的性能相似，但模型在小肿瘤上的表现较差。此外，结果显示，从训练集中移除小肿瘤可提高结果。主要模型可在此处获得：https://github.com/mathildefaanes/us_brain_tumor_segmentation/tree/main
引用
@article{arxiv.2411.14017,
title = {Automatic brain tumor segmentation in 2D intra-operative ultrasound images using magnetic resonance imaging tumor annotations},
author = {Mathilde Faanes and Ragnhild Holden Helland and Ole Solheim and Sébastien Muller and Ingerid Reinertsen},
journal= {arXiv preprint arXiv:2411.14017},
year = {2025}
}
备注
14 pages, 5 figures