使用视觉 Transformer 进行乳腺 MRI 中纤维腺体组织分割——一项多机构评估
图像与视频处理
2023-09-04 v1 计算机视觉与模式识别
摘要
在乳腺 MRI 筛查中准确且自动地分割纤维腺体组织，对于乳腺密度与背景实质强化的量化至关重要。在这项回顾性研究中，我们开发并评估了一种基于 Transformer 的神经网络用于多机构 MRI 数据中的乳腺分割（TraBS），并将其性能与成熟的卷积神经网络 nnUNet 进行比较。TraBS 与 nnUNet 在 200 例内部与 40 例外部乳腺 MRI 检查上进行了训练与测试，使用由经验丰富的阅片者生成的人工分割作为参考。分割性能通过 Dice 分数与平均对称表面距离进行评估。nnUNet 的 Dice 分数在内部测试集（0.909±0.069 对比 0.916±0.067，P<0.001）与外部测试集（0.824±0.144 对比 0.864±0.081，P=0.004）上均低于 TraBS。此外，nnUNet 的平均对称表面距离在内部（0.657±2.856 对比 0.548±2.195，P=0.001）与外部测试集（0.727±0.620 对比 0.584±0.413，P=0.03）上均高于（即更差）TraBS。我们的研究表明，基于 Transformer 的网络相比基于卷积的模型（如 nnUNet）改善了乳腺 MRI 中纤维腺体组织的分割质量。这些发现可能有助于提高乳腺 MRI 筛查中乳腺密度与实质强化量化的准确性。
引用
@article{arxiv.2304.08972,
title = {Fibroglandular Tissue Segmentation in Breast MRI using Vision Transformers -- A multi-institutional evaluation},
author = {Gustav Müller-Franzes and Fritz Müller-Franzes and Luisa Huck and Vanessa Raaff and Eva Kemmer and Firas Khader and Soroosh Tayebi Arasteh and Teresa Nolte and Jakob Nikolas Kather and Sven Nebelung and Christiane Kuhl and Daniel Truhn},
journal= {arXiv preprint arXiv:2304.08972},
year = {2023}
}