具有多头扩张编码器的深度学习框架用于多参数磁共振成像中宫颈癌分割的增强
图像与视频处理
2023-06-21 v1 计算机视觉与模式识别
摘要
T2 加权磁共振成像（MRI）与扩散加权成像（DWI）是宫颈癌诊断的重要组成部分。然而，由于图像错位，将这些通道组合用于训练深度学习模型具有挑战性。在此，我们提出一种新颖的多头框架，其使用扩张卷积与共享残差连接对多参数 MRI 图像进行分别编码。我们以残差 U-Net 模型为基线，并进行一系列架构实验，以基于多参数输入通道与特征编码配置评估肿瘤分割性能。所有实验均使用包含 207 名局部晚期宫颈癌患者的队列进行。我们提出的对 T2W MRI 采用分别扩张编码、并对 b1000 DWI 与表观扩散系数（ADC）图像进行联合编码的多头模型取得了最佳的中位 Dice 系数相似度（DSC）得分 0.823（95% 置信区间（CI），0.595–0.797），优于传统的多通道模型 DSC 0.788（95% CI，0.568–0.776），尽管差异无统计学意义（p>0.05）。我们使用 3D GRAD-CAM 与通道丢弃考察了通道敏感性，并强调了 T2W 与 ADC 通道对于准确肿瘤分割的关键重要性。然而，我们的结果显示 b1000 DWI 对整体分割性能影响较小。我们证明，使用分别的扩张特征提取器与独立上下文学习提升了模型减少 DWI 边界效应与畸变的能力，从而改善了分割性能。我们的发现对于开发稳健且可泛化的模型具有重要启示，并可推广至其他多模态分割应用。
引用
@article{arxiv.2306.11137,
title = {Deep Learning Framework with Multi-Head Dilated Encoders for Enhanced Segmentation of Cervical Cancer on Multiparametric Magnetic Resonance Imaging},
author = {Reza Kalantar and Sebastian Curcean and Jessica M Winfield and Gigin Lin and Christina Messiou and Matthew D Blackledge and Dow-Mu Koh},
journal= {arXiv preprint arXiv:2306.11137},
year = {2023}
}
备注
14 pages, 6 figures