基于多序列 MRI 的深度学习放射组学脑肿瘤检测与分类
计算机视觉与模式识别
2019-03-25 v1 图像与视频处理
摘要
胶质瘤占恶性原发性脑肿瘤的 80%，通常分为 HGG 和 LGG。与 HGG 相比，LGG 肿瘤侵袭性较低、生长较慢，且对治疗有反应。脑肿瘤患者活检困难，磁共振成像（Magnetic Resonance Imaging, MRI）等无创影像技术已广泛用于脑肿瘤诊断。因此，基于 MRI 数据的肿瘤检测与分级自动系统对于在增强智能框架下辅助医生十分必要。本文深入探究深度卷积网络（Deep ConvNets）利用多序列 MR 图像分类脑肿瘤的能力。我们提出新颖的 ConvNet 模型，从零开始在 MRI 块、切片和多平面体积切片上训练。接着通过应用两个在 ImageNet 数据集上训练的现有 ConvNet 模型（VGGNet 和 ResNet）并微调最后几层，研究迁移学习对该任务的适用性。采用 LOPO 测试以及保留数据集上的测试来评估 ConvNet 的性能。结果表明，在所提 ConvNet 于多平面体积数据集上训练的所有情形中均取得更好精度。不同于传统模型，它在低/高级别胶质瘤分类问题上获得了 95% 的测试精度。对于伴/不伴 1p/19q 共缺失的 LGG 分类，无需任何额外的特征提取与选择工作即生成 97% 的分数。我们通过可视化中间层输出来研究不同层中自学习核/滤波器的性质。我们还将结果与最先进（state-of-the-art）方法比较，显示 ConvNet 分级性能最大提升 7%，1p/19q 共缺失状态预测最大提升 9%。
引用
@article{arxiv.1903.09240,
title = {Deep Radiomics for Brain Tumor Detection and Classification from Multi-Sequence MRI},
author = {Subhashis Banerjee and Sushmita Mitra and Francesco Masulli and Stefano Rovetta},
journal= {arXiv preprint arXiv:1903.09240},
year = {2019}
}