基于 3D U-Net 集成的大脑肿瘤分割及利用放射组学特征的总生存期预测
计算机视觉与模式识别
2018-12-05 v1
摘要
从多模态 MRI 扫描中准确分割胶质瘤的不同子区域（包括瘤周水肿、坏死核心、增强与非增强肿瘤核心）在脑肿瘤的诊断、预后和治疗中具有重要临床意义。然而，由于高度异质的外观与形状，子区域分割极具挑战性。近年来深度学习模型的发展已在过去多项脑分割挑战赛及其他语义与医学图像分割问题中证明其有效性。多数脑肿瘤分割模型使用 2D/3D 块来预测中心体素的类别标签，并采用不同块大小与尺度以提升模型性能。但该方法计算效率低且感受野有限。U-Net 是一种广泛使用的端到端分割网络结构，可用于整幅图像或提取的块，为整个输入体素提供分类标签，因而更高效，并有望在更大输入尺寸下获得更好性能。此外，相较于挑选最佳网络结构，将不同数据集或不同超参数训练的多个模型集成通常可提升分割性能。本研究中，我们提出使用具有不同超参数的 3D U-Net 集成进行脑肿瘤分割。初步结果显示了该模型的有效性。另外，我们利用提取的影像与非影像特征开发了一个用于生存预测的线性模型，尽管简单，却能有效减少过拟合与回归误差。
引用
@article{arxiv.1812.01049,
title = {Brain Tumor Segmentation using an Ensemble of 3D U-Nets and Overall Survival Prediction using Radiomic Features},
author = {Xue Feng and Nicholas Tustison and Craig Meyer},
journal= {arXiv preprint arXiv:1812.01049},
year = {2018}
}
备注
arXiv admin note: text overlap with arXiv:1810.04274 by other authors