基于深度学习的胶质母细胞瘤患者术后大体肿瘤体积自动分割
图像与视频处理
2024-09-24 v1
摘要
由于水肿和手术肿瘤切除导致的脑组织变形，对胶质母细胞瘤病例的术后大体肿瘤体积进行精确的自动勾画具有挑战性且耗时。为了开发一种用于自动勾画胶质母细胞瘤术后大体肿瘤体积的模型，我们提出了一种新颖的三维双口袋U-Net架构，该架构包含两个并行的口袋U-Net。两个U-Net同时使用两组不同的MRI序列子集进行训练，并将模型的输出合并以进行最终预测。我们策略性地组合了MRI输入序列（T1、T2、T1C、FL）进行模型训练，以提高分割精度。数据集包含从23名接受最大安全肿瘤切除术的胶质母细胞瘤患者收集的82项术后研究。所有研究均有人类专家进行的大体肿瘤体积（GTV）分割，并将其用作参考标准。将三维双口袋U-Net的结果与基线三维口袋U-Net模型以及三维口袋U-Net模型的集成进行了比较。所有模型均通过五折交叉验证，使用Dice相似系数和豪斯多夫距离进行评估。我们提出的使用输入序列[T1, T1C, FL + T2, T1C]训练的双U-Net模型，与所有基线模型和集成模型相比，实现了更好的平均Dice分数0.8585和豪斯多夫距离4.1942。当考虑将MRI序列T1、T2、T1C和FL一起用于模型训练时，术后MRI扫描中存在的浸润性肿瘤和血管源性水肿往往会降低分割精度。与使用所有四个序列进行模型训练的传统方法相比，将MRI序列子集作为不同输入进行组合的双U-Net方法将分割精度提高了7%。
引用
@article{arxiv.2409.15177,
title = {Deep Learning-Based Automated Post-Operative Gross Tumor Volume Segmentation in Glioblastoma Patients},
author = {Rajarajeswari Muthusivarajan and Adrian Celaya and Maguy Farhat and Wasif Talpur and Holly Langshaw and Victoria White and Andrew Elliott and Sara Thrower and Dawid Schellingerhout and David Fuentes and Caroline Chung},
journal= {arXiv preprint arXiv:2409.15177},
year = {2024}
}