利用深度时空空间模型在MR图像中分类脑肿瘤
图像与视频处理
2022-01-28 v2 计算机视觉与模式识别
机器学习
摘要
脑肿瘤是脑内异常细胞形成的团块或簇，因其可侵袭邻近组织并形成转移灶，可能危及生命。准确诊断对成功的治疗规划至关重要，而磁共振成像是诊断脑肿瘤及其范围的主要成像方式。近年来计算机视觉应用中的深度学习方法已取得显著进展，其中大部分可归功于可用于训练模型的大量数据，以及模型架构的改进在监督设定下给出了更好的近似。借助此类深度学习方法进行肿瘤分类，随着带可靠标注的开放数据集的可用而取得重大进展。通常这些方法或是使用3D体素MRI的3D模型，或是将各切片分开考虑的2D模型。然而，通过分别处理切片空间维度，可将时空模型用作此项任务的时空空间（spatiospatial）模型。这些模型能够学习特定的空间与时间关系，同时降低计算成本。本文使用两种时空模型，ResNet (2+1)D与ResNet Mixed Convolution，对不同类型脑肿瘤进行分类。观察到这两种模型均优于纯3D卷积模型ResNet18。此外还观察到，在为肿瘤分类任务训练前，于不同甚至不相关数据集上预训练模型可提升性能。最后，预训练的ResNet Mixed Convolution在这些实验中为最佳模型，取得0.93的宏F1分数与96.98%的测试准确率，同时又是计算成本最低的模型。
引用
@article{arxiv.2105.14071,
title = {Classification of Brain Tumours in MR Images using Deep Spatiospatial Models},
author = {Soumick Chatterjee and Faraz Ahmed Nizamani and Andreas Nürnberger and Oliver Speck},
journal= {arXiv preprint arXiv:2105.14071},
year = {2022}
}