基于三维 CNN 架构中自动难例挖掘的脑肿瘤分割与生存预测
图像与视频处理
2021-01-06 v1 计算机视觉与模式识别
摘要
我们利用三维全卷积神经网络（CNN）从多模态磁共振图像（MRI）中分割胶质瘤及其组成成分。该架构采用密集连接模式以减少权重数量并引入残差连接，并使用由 BraTS 2018 数据集训练该模型所得的权重进行初始化。在训练过程中进行难例挖掘，通过随着 epoch 增加提高 dice 相似系数（DSC）阈值以选取难例来训练分割任务中的困难样本。在 BraTS2020 验证数据（n = 125）上，该架构取得了肿瘤核心、全肿瘤和活跃肿瘤 dice 分别为 0.744、0.876、0.714。在测试数据集上，肿瘤核心与活跃肿瘤的 DSC 提升约 7%。就 DSC 而言，我们的网络在 BraTS 2020 测试数据上的表现分别为：增强肿瘤 0.775、肿瘤核心 0.815、全肿瘤 0.85。受试者的总生存时间由常规机器学习利用所生成分割掩码得到的影像组学特征确定。我们的方法在验证集与测试集上的准确率分别为 0.448 与 0.452。
引用
@article{arxiv.2101.01546,
title = {Brain Tumor Segmentation and Survival Prediction using Automatic Hard mining in 3D CNN Architecture},
author = {Vikas Kumar Anand and Sanjeev Grampurohit and Pranav Aurangabadkar and Avinash Kori and Mahendra Khened and Raghavendra S Bhat and Ganapathy Krishnamurthi},
journal= {arXiv preprint arXiv:2101.01546},
year = {2021}
}
备注
11 pages, 4 Figures