使用多平面UNet的脑MRI数据全自动肿瘤分割
图像与视频处理
2024-01-15 v1 计算机视觉与模式识别
机器学习
摘要
自动分割不同的肿瘤区域对于儿童脑肿瘤的准确诊断和治疗计划至关重要。本研究评估了多平面U-Net（MPUnet）方法在三个具有挑战性的数据集上分割不同肿瘤子区域的效果：儿科肿瘤挑战赛（PED）、脑转移挑战赛（MET）和撒哈拉以南非洲成人胶质瘤（SSA）。这些数据集代表了不同的场景和解剖变异，使其适合评估MPUnet模型的鲁棒性和泛化能力。通过利用多平面信息，MPUnet架构旨在提高分割准确性。我们的结果显示，在评估的挑战中性能水平各不相同，肿瘤核心（TC）类别显示出相对较高的分割准确性。然而，在其他类别的分割中观察到变异性，例如水肿和增强肿瘤（ET）区域。这些发现强调了脑肿瘤分割的复杂性，并突出了进一步改进MPUnet方法以及纳入更多MRI数据和预处理的潜力。
引用
@article{arxiv.2401.06499,
title = {Fully Automated Tumor Segmentation for Brain MRI data using Multiplanner UNet},
author = {Sumit Pandey and Satyasaran Changdar and Mathias Perslev and Erik B Dam},
journal= {arXiv preprint arXiv:2401.06499},
year = {2024}
}