用于纵向 MRI 数据中脑转移瘤检测与分割的深度学习
图像与视频处理
2022-09-19 v5 计算机视觉与模式识别
摘要
脑转移瘤在转移性癌症患者中频繁发生。早期且准确地检测脑转移瘤对放疗中的治疗规划与预后极为重要。为以深度学习提升脑转移瘤检测性能，提出了一种称为体素级敏感度-特异度（VSS）的自定义检测损失，其在（子）体素级别评估单个转移瘤检测的敏感度与特异度。由于敏感度与精度在转移瘤级别上始终存在权衡，通过调整 VSS 损失中的权重可在不降低分割转移瘤的 dice 系数（dice score coefficient）的情况下实现高敏感度或高精度。为减少类转移瘤结构被检测为假阳性转移瘤，提出将时间先验体素作为 DeepMedic 的额外输入。修改后的网络称为 DeepMedic+ 以作区分。我们提出的 VSS 损失提升了 DeepMedic 的脑转移瘤检测敏感度，将敏感度从 85.3% 提升至 97.5%。或者，它将精度从 69.1% 提升至 98.7%。在相同 VSS 损失下比较 DeepMedic+ 与 DeepMedic，高敏感度模型中假阳性转移瘤减少 44.4%，且高特异度模型的精度达到 99.6%。所有转移瘤的平均 dice 系数约为 0.81。通过高敏感度与高特异度模型的集成，平均每位患者仅 1.5 个假阳性转移瘤需进一步核查，而绝大多数真阳性转移瘤得以确认。该集成学习能够区分高置信度真阳性转移瘤与需专家特殊审阅或进一步随访的转移瘤候选，尤其契合真实临床实践中专家支持的需求。
引用
@article{arxiv.2112.11833,
title = {Deep learning for brain metastasis detection and segmentation in longitudinal MRI data},
author = {Yixing Huang and Christoph Bert and Philipp Sommer and Benjamin Frey and Udo Gaipl and Luitpold V. Distel and Thomas Weissmann and Michael Uder and Manuel A. Schmidt and Arnd Dörfler and Andreas Maier and Rainer Fietkau and Florian Putz},
journal= {arXiv preprint arXiv:2112.11833},
year = {2022}
}
备注
Implementation is available to public at https://github.com/YixingHuang/DeepMedicPlus