基于自集成、深度监督 3D U-net 神经网络的脑肿瘤分割：BraTS 2020 挑战赛方案
图像与视频处理
2020-11-30 v2 计算机视觉与模式识别
摘要
脑肿瘤分割是患者疾病管理中的一项关键任务。为自动化并标准化该任务，我们在多模态脑肿瘤分割挑战赛（BraTS）2020 训练数据集上训练了多个类 U-net 神经网络，主要采用深度监督和随机权重平均。从两个不同训练流程训练了两个独立的模型集成，每个集成生成一幅脑肿瘤分割图。每位患者的这两张标记图随后被合并，同时考虑每个集成在特定肿瘤子区域上的性能。我们在带有测试时增强的在线验证数据集上的性能如下：对于增强肿瘤、全肿瘤和肿瘤核心，Dice 分别为 0.81、0.91 和 0.85；Hausdorff（95%）分别为 20.6、4.3、5.7 mm。类似地，我们的方案在最终测试数据集上取得了 0.79、0.89 和 0.84 的 Dice，以及 20.4、6.7 和 19.5 mm 的 Hausdorff（95%），使我们位列前十团队。我们尝试了更复杂的训练方案和神经网络架构，但未获得显著性能提升，却大幅增加了训练时间。总体而言，我们的方法对每个肿瘤子区域都产生了良好且均衡的性能。我们的方案开源地址为 https://github.com/lescientifik/open_brats2020。
引用
@article{arxiv.2011.01045,
title = {Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution},
author = {Theophraste Henry and Alexandre Carre and Marvin Lerousseau and Theo Estienne and Charlotte Robert and Nikos Paragios and Eric Deutsch},
journal= {arXiv preprint arXiv:2011.01045},
year = {2020}
}
备注
BraTS 2020 proceedings (LNCS) paper