DeepSeg：基于磁共振 FLAIR 图像自动分割脑肿瘤的深度神经网络框架
图像与视频处理
2020-04-28 v1 计算机视觉与模式识别
摘要
目的：胶质瘤由于其浸润性和快速进展性，是最常见且最具侵袭性的脑肿瘤类型。在临床常规工作中，区分肿瘤边界与健康细胞仍是一项具有挑战性的任务。液体衰减反转恢复（FLAIR）MRI 模态可为医生提供有关肿瘤浸润的信息。因此，本文提出了一种新的通用深度学习架构，即 DeepSeg，用于基于 FLAIR MRI 数据全自动检测和分割脑病变。方法：所开发的 DeepSeg 是一个模块化解耦框架。它由基于编码与解码关系的两个相连核心部分组成。编码器部分是一个负责空间信息提取的卷积神经网络（CNN）。生成的语义图被输入解码器部分以获得全分辨率概率图。基于改进的 U-Net 架构，本研究使用了不同的 CNN 模型，如残差神经网络（ResNet）、密集卷积网络（DenseNet）和 NASNet。结果：所提出的深度学习架构已基于脑肿瘤分割（BraTS 2019）挑战赛的 MRI 数据集成功进行在线测试与评估，包括 336 例训练数据和 125 例验证数据。所得分割结果的 dice 系数和 Hausdorff 距离分数分别约为 0.81 至 0.84 和 9.8 至 19.7。结论：本研究表明，在新的 DeepSeg 框架中应用不同深度学习模型对 FLAIR MR 图像进行自动脑肿瘤分割具有可行的成功性和可比的性能。所提出的 DeepSeg 是开源的，可在 https://github.com/razeineldin/DeepSeg/ 免费获取。
引用
@article{arxiv.2004.12333,
title = {DeepSeg: Deep Neural Network Framework for Automatic Brain Tumor Segmentation using Magnetic Resonance FLAIR Images},
author = {Ramy A. Zeineldin and Mohamed E. Karar and Jan Coburger and Christian R. Wirtz and Oliver Burgert},
journal= {arXiv preprint arXiv:2004.12333},
year = {2020}
}
备注
Accepted to International Journal of Computer Assisted Radiology and Surgery