脑肿瘤分割与放射组学生存预测：对 BRATS 2017 挑战赛的贡献
计算机视觉与模式识别
2018-03-01 v1
摘要
脑肿瘤的定量分析对临床决策至关重要。虽然手动分割繁琐、耗时且主观，该任务同时对于自动分割方法而言极具挑战性。本文中，我们展示了以卷积神经网络形式开发鲁棒分割算法的最新努力。我们的网络架构受流行 U-Net 启发，并经过精心修改以最大化脑肿瘤分割性能。我们使用 dice 损失函数应对类别不平衡，并采用广泛数据增强成功防止过拟合。我们的方法在 BraTS 2015 上击败当前最优，是 BraTS 2017 验证集上的领先方法之一（全肿瘤、肿瘤核心与增强肿瘤的 dice 分数分别为 0.896、0.797 和 0.732），并在测试集上取得非常好的 Dice 分数（全肿瘤 0.858、核心 0.775、增强肿瘤 0.647）。我们进一步通过训练随机森林回归器与多层感知机的集成于描述肿瘤子区域形状特征上，参与生存预测子挑战。我们的方法在测试集上达到 52.6% 准确率、0.496 的 Spearman 相关系数与 209607 的均方误差。
引用
@article{arxiv.1802.10508,
title = {Brain Tumor Segmentation and Radiomics Survival Prediction: Contribution to the BRATS 2017 Challenge},
author = {Fabian Isensee and Philipp Kickingereder and Wolfgang Wick and Martin Bendszus and Klaus H. Maier-Hein},
journal= {arXiv preprint arXiv:1802.10508},
year = {2018}
}