基于多参数 MRI 使用集成 CNN 网络分割 GBM 肿瘤
计算机视觉与模式识别
2021-12-28 v2 机器学习
图像与视频处理
摘要
胶质母细胞瘤是最具侵袭性、生长最快的原发性脑癌，起源于脑的胶质细胞。准确识别恶性脑肿瘤及其子区域仍是医学图像分割中最具挑战性的问题之一。脑肿瘤分割挑战赛（BraTS）自启动以来一直是自动脑胶质母细胞瘤分割算法的热门基准。今年，BraTS 2021 挑战赛提供了最大的 2,000 名术前患者多参数（mpMRI）数据集。在本文中，我们提出一种新的两种深度学习框架即 DeepSeg 和 nnU-Net 的聚合，用于术前 mpMRI 中胶质母细胞瘤的自动识别。我们的集成方法在 BraTS 2021 验证集上分别对于增强肿瘤、肿瘤核心和全肿瘤区域获得 Dice 相似度分数 92.00、87.33 和 84.10，以及 Hausdorff 距离 3.81、8.91 和 16.02，使我们跻身前十团队。这些实验发现提供了证据，表明它可轻易临床应用，从而辅助脑癌预后、治疗计划和疗效应答监测。用于复现我们分割结果的 docker 镜像可在 (https://hub.docker.com/r/razeineldin/deepseg21) 在线获取。
引用
@article{arxiv.2112.06554,
title = {Ensemble CNN Networks for GBM Tumors Segmentation using Multi-parametric MRI},
author = {Ramy A. Zeineldin and Mohamed E. Karar and Franziska Mathis-Ullrich and Oliver Burgert},
journal= {arXiv preprint arXiv:2112.06554},
year = {2021}
}
备注
Accepted in BraTS 2021 (as part of the BrainLes workshop proceedings distributed by Springer LNCS)