基于深度学习、注意力机制和基于能量的不确定性预测的脑肿瘤分割
图像与视频处理
2024-03-18 v2 人工智能
摘要
脑肿瘤是最致命的癌症形式之一，死亡率超过 80%。快速准确的诊断对于提高生存几率至关重要。然而，在医学分析中，脑肿瘤的手动标注和分割可能是一项复杂的任务。通常会分析多种 MRI 模态，因为它们提供了关于肿瘤区域的独特信息。尽管这些 MRI 模态有助于分割胶质瘤，但它们往往会导致过拟合并增加计算量。本文提出了一种在数据预处理阶段实施的感兴趣区域检测算法，用于定位显著特征并去除多余的 MRI 数据。这减小了输入尺寸，从而允许进行更激进的数据增强和使用更深的神经网络。在对 MRI 模态进行预处理后，采用带有软注意力机制的全卷积自编码器对不同的脑部 MRI 进行分割。当这些深度学习算法投入实际应用时，分析人员和医生无法区分准确和不准确的预测。随后，利用测试时增强和基于能量的模型进行体素级的不确定性预测。实验在 BraTS 基准上进行，实现了最先进的分割性能。此外，还使用定性结果评估了分割模型和不确定性预测。
引用
@article{arxiv.2401.00587,
title = {Brain Tumor Segmentation Based on Deep Learning, Attention Mechanisms, and Energy-Based Uncertainty Prediction},
author = {Zachary Schwehr and Sriman Achanta},
journal= {arXiv preprint arXiv:2401.00587},
year = {2024}
}
备注
11 pages, 6 figures, code available at https://github.com/WeToTheMoon/BrainTumorSegmentation, submitted to Computers in Biology and Medicine