基于对抗网络的大脑 MRI 肿瘤分割
图像与视频处理
2020-10-02 v2 机器学习
机器学习
摘要
深度学习是一种有前景的方法，可自动化或简化医疗健康领域中的若干任务。在本工作中，我们提出 SegAN-CAT，一种基于对抗网络（Adversarial Networks）的磁共振图像（MRI）脑肿瘤分割方法。具体而言，我们在两方面对先前工作中成功应用于同一任务的 SegAN 进行了扩展：(i) 我们使用了不同的模型输入；(ii) 我们采用修改后的损失函数来训练模型。我们在脑肿瘤图像分割基准（BraTS）提供的两个大型数据集上测试了我们的方法。首先，我们假设所有主要 MRI 对比模态（即 T1 加权、对比增强 T1 加权、T2 加权和 T2-FLAIR）均可用，训练并测试了一些分割模型。然而，由于这四种模态并非对每个患者都全部可用，我们还训练并测试了四个仅以单一对比模态获取的 MRI 作为输入的分割模型。最后，我们提出跨不同对比模态应用迁移学习，以提升这些单模态模型的性能。我们的结果令人鼓舞，表明不仅在所有四种模态可用时 SegAN-CAT 能够优于 SegAN，而且当仅有一种模态可用时，迁移学习确实能带来更好的性能。
引用
@article{arxiv.1910.02717,
title = {Brain MRI Tumor Segmentation with Adversarial Networks},
author = {Edoardo Giacomello and Daniele Loiacono and Luca Mainardi},
journal= {arXiv preprint arXiv:1910.02717},
year = {2020}
}