用于脑肿瘤语义分割的条件对抗网络
计算机视觉与模式识别
2017-08-18 v1
摘要
自动化的医学图像分析在病变的诊断和治疗中具有重要价值。由于磁共振图像中不同肿瘤区域的外观和形状存在差异，脑肿瘤分割具有特殊的重要性和难度。此外，与计算机视觉问题相比，数据集具有异构性且规模通常有限。最近提出的对抗训练在生成式图像建模中展现了有希望的结果。在本文中，我们提出了一种新颖的端到端可训练架构，通过条件对抗训练进行脑肿瘤语义分割。我们利用条件生成对抗网络（cGAN），训练一个语义分割卷积神经网络（CNN）以及一个对抗网络，该对抗网络用于判别分割图是来自真实标注还是来自分割网络，以完成 BraTS 2017 分割任务[15, 4, 2, 3]。我们还提出了一种基于深度学习技术的端到端可训练 CNN，用于 BraTS 2017 预测任务[15, 4, 2, 3]的生存天数预测。实验结果证明了所提出的方法在两项任务上的优越能力。根据在线评判系统，所提出的模型在验证数据上对整个肿瘤的 DICE 分数、敏感性和特异性分别达到了 0.68、0.99 和 0.98。
引用
@article{arxiv.1708.05227,
title = {Conditional Adversarial Network for Semantic Segmentation of Brain Tumor},
author = {Mina Rezaei and Konstantin Harmuth and Willi Gierke and Thomas Kellermeier and Martin Fischer and Haojin Yang and Christoph Meinel},
journal= {arXiv preprint arXiv:1708.05227},
year = {2017}
}
备注
Submitted to BraTS challenges which is part of MICCAI-2017