用于胶质母细胞瘤弱监督肿瘤分割的期望最大化正则化深度学习
图像与视频处理
2021-07-16 v4 计算机视觉与模式识别
定量方法
摘要
我们提出一种期望最大化(EM)正则化深度学习(EMReDL)模型，用于弱监督肿瘤分割。所提框架专为胶质母细胞瘤设计，该类恶性肿瘤以其向周围脑组织的弥漫性浸润为特征，给基于常规结构 MRI 的治疗靶区与肿瘤负荷评估带来显著挑战。尽管生理 MRI 提供了关于肿瘤浸润更具特异性的信息，但其相对较低的分辨率阻碍了精确的完整标注。这促使我们开发一种弱监督深度学习方案，以利用部分标注的肿瘤区域。EMReDL 包含两个组件：生理先验预测模型与 EM 正则化分割模型。生理先验预测模型通过训练分类器生成生理先验图来利用生理 MRI。该图被传入分割模型，使用 EM 算法进行正则化。我们在一个具有术前多参数与复发 MRI 的胶质母细胞瘤数据集上评估了该模型。EMReDL 显示出能从潜在浸润的部分标注区域中有效分割出浸润性肿瘤。分割出的核心肿瘤与浸润性肿瘤与专家标注的肿瘤负荷表现出高度一致性。性能比较表明 EMReDL 取得了高于已发表 SOTA 模型的精度。在 MR 波谱上，分割区域显示出比其他部分标注区域更具侵袭性的特征。所提模型可推广至其他依赖部分标注的分割任务，且框架中的 CNN 架构具有灵活性。
引用
@article{arxiv.2101.08757,
title = {Expectation-Maximization Regularized Deep Learning for Weakly Supervised Tumor Segmentation for Glioblastoma},
author = {Chao Li and Wenjian Huang and Xi Chen and Yiran Wei and Stephen J. Price and Carola-Bibiane Schönlieb},
journal= {arXiv preprint arXiv:2101.08757},
year = {2021}
}