基于领域知识的脑肿瘤分割与总生存期预测
图像与视频处理
2019-12-17 v1 计算机视觉与模式识别
摘要
从多模态 MRI 序列中自动分割胶质瘤亚区（坏死、水肿和增强肿瘤）并准确预测总生存期（OS）时间在胶质瘤的诊断、预后和治疗中具有重要临床意义。然而，由于异质外观和个体生理状态的高度变异性，亚区分割与 OS 预测极具挑战性。为应对这些挑战，我们采用带加权 dice 损失的 3D 扩张多纤网络（DMFNet）进行脑肿瘤分割，其融入了先验体积统计知识，并在 MRI 扫描中大小对象间取得平衡。对于 OS 预测，我们提出一种基于 DenseNet 的 3D 神经网络，带有位置编码卷积层（PECL），以从 T1 对比 MRI、T2 MRI 和先前分割的亚区中提取有意义特征。标记数据与未标记数据均被利用，以防止半监督学习中的过拟合。这些学到的深度特征连同手工特征（如年龄、肿瘤体积）与位置编码分割特征被输入梯度提升决策树（GBDT）以预测特定的 OS 天数。
引用
@article{arxiv.1912.07224,
title = {Domain Knowledge Based Brain Tumor Segmentation and Overall Survival Prediction},
author = {Xiaoqing Guo and Chen Yang and Pak Lun Lam and Peter Y. M. Woo and Yixuan Yuan},
journal= {arXiv preprint arXiv:1912.07224},
year = {2019}
}
备注
11 pages, 5 figures, BrainLes 2019