基于轻量级3D深度学习架构的T1加权MRI容积中脑膜瘤快速分割
图像与视频处理
2021-09-24 v1 计算机视觉与模式识别
机器学习
摘要
T1加权MRI容积中脑膜瘤的自动一致分割及相应体积评估,可用于诊断、治疗规划和肿瘤生长评估。本文中,我们利用大量经手术切除的脑膜瘤和门诊随访的未治疗脑膜瘤,优化了分割与处理速度性能。我们研究了两种不同的3D神经网络架构:(i)类似于3D U-Net的简单编码器-解码器,以及(ii)轻量级多尺度架构(PLS-Net)。此外,我们研究了不同训练方案的影响。在验证研究中,我们使用了来自挪威特隆赫姆St. Olav大学医院的698个T1加权MR容积。模型在检测准确率、分割准确率和训练/推理速度方面进行了评估。两种架构平均Dice分数相似(约70%),而PLS-Net更准确,F1分数最高达88%。最大脑膜瘤的准确率最高。速度方面,PLS-Net架构约50小时收敛,而U-Net需130小时。PLS-Net在GPU上推理不到1秒,在CPU上约15秒。总体而言,使用混合精度训练,借助轻量级PLS-Net架构能在较短时间内训练出有竞争力的分割模型。未来应聚焦于小脑膜瘤(小于2ml)的分割,以提升自动早期诊断及生长速度估计的临床相关性。
引用
@article{arxiv.2010.07002,
title = {Fast meningioma segmentation in T1-weighted MRI volumes using a lightweight 3D deep learning architecture},
author = {David Bouget and André Pedersen and Sayied Abdol Mohieb Hosainey and Johanna Vanel and Ole Solheim and Ingerid Reinertsen},
journal= {arXiv preprint arXiv:2010.07002},
year = {2021}
}
备注
15 pages, 7 figures, submitted to SPIE journal of Medical Imaging