解剖学上下文信息能否改进基于3D U-Net的脑肿瘤分割？
图像与视频处理
2022-03-07 v3 计算机视觉与模式识别
机器学习
摘要
在治疗规划中从磁共振（MR）图像提取有用信息，需要有效、鲁棒且自动化的脑肿瘤分割工具。情境感知人工智能是开发用于计算机辅助医学图像分析的深度学习应用的一个新兴概念。本工作研究了以白质、灰质和脑脊液掩码及概率图形式加入脑解剖学上下文信息，是否能改进基于U-Net的脑肿瘤分割。使用BraTS2020数据集训练和测试了两个标准3D U-Net模型，除常规MR图像模态外，它们将解剖学上下文信息作为额外通道以二值掩码（CIM）或概率图（CIP）形式使用。同时还训练了一个仅使用常规MR图像模态的基线模型（BLM）。从整体分割精度、模型训练时间、域泛化以及对每名受试者可用MR模态较少的补偿等方面，研究了加入上下文信息的影响。结果表明，比较基线模型与上下文信息模型的Dice分数时无统计学显著差异，即使分别比较高、低级别肿瘤的性能时也是如此。仅在补偿每名受试者可用MR模态较少的情况下，加入解剖学上下文信息显著改善了全肿瘤的分割。总体而言，以二值掩码或概率图形式作为额外通道使用解剖学上下文信息，并未带来分割性能的整体显著提升。
引用
@article{arxiv.2010.13460,
title = {Does anatomical contextual information improve 3D U-Net based brain tumor segmentation?},
author = {Iulian Emil Tampu and Neda Haj-Hosseini and Anders Eklund},
journal= {arXiv preprint arXiv:2010.13460},
year = {2022}
}