基于特征增强生成与多模态融合的深度神经网络用于缺失MR模态的脑肿瘤分割
图像与视频处理
2021-11-11 v1 计算机视觉与模式识别
医学物理
摘要
使用多模态磁共振成像（MRI）对于准确的脑肿瘤分割是必要的。主要问题在于临床检查中并非所有类型的MRI都总是可用。基于同一患者MR模态间存在强相关性的事实，本文针对缺失一种或多种模态的情况提出一种新颖的脑肿瘤分割网络。所提网络由三个子网络组成：特征增强生成器、相关性约束块和分割网络。特征增强生成器利用可用模态生成表示缺失模态的3D特征增强图像。相关性约束块可挖掘模态间的多源相关性，并约束生成器合成必须与可用模态具有连贯相关性的特征增强模态。分割网络是基于多编码器的U-Net，以实现最终脑肿瘤分割。所提方法在BraTS 2018数据集上评估。实验结果表明该方法的有效性，其在全部情况下整体肿瘤、肿瘤核心和增强肿瘤上的平均Dice分数分别为82.9、74.9和59.1，并分别优于最佳方法3.5%、17%和18.2%。
引用
@article{arxiv.2111.04735,
title = {Feature-enhanced Generation and Multi-modality Fusion based Deep Neural Network for Brain Tumor Segmentation with Missing MR Modalities},
author = {Tongxue Zhou and Stéphane Canu and Pierre Vera and Su Ruan},
journal= {arXiv preprint arXiv:2111.04735},
year = {2021}
}
备注
30 pages, 7 figures