使用Vision Transformers集成进行胶质母细胞瘤肿瘤分割
图像与视频处理
2023-12-20 v1 计算机视觉与模式识别
机器学习
摘要
胶质母细胞瘤是最具侵袭性和致命性的脑癌类型之一，与其他类型癌症相比生存率较低。磁共振成像（MRI）扫描分析是诊断和治疗胶质母细胞瘤等脑癌最有效的方法之一。在MRI图像中进行准确的肿瘤分割通常是治疗计划制定和治疗方法风险评估所必需的。在此，我们提出了一种新颖的流程——智能神经网络辅助脑放射学（BRAINNET），它利用MaskFormer（一种视觉Transformer模型）生成鲁棒的肿瘤分割掩膜。我们使用了三个模型的九个预测的集成，这些模型分别针对3D脑MRI体积的三个正交2D切片方向（轴向、矢状面和冠状面）进行训练。我们在公开可用的UPenn-GBM数据集上训练和测试模型，该数据集包含611名受试者的3D多参数MRI（mpMRI）扫描。使用Dice系数（DC）和95% Hausdorff距离（HD）进行评估，我们的模型在分割所有三个不同肿瘤区域——肿瘤核心（DC = 0.894，HD = 2.308）、全肿瘤（DC = 0.891，HD = 3.552）和增强肿瘤（DC = 0.812，HD = 1.608）——方面取得了最先进的结果。
引用
@article{arxiv.2312.11467,
title = {Glioblastoma Tumor Segmentation using an Ensemble of Vision Transformers},
author = {Huafeng Liu and Benjamin Dowdell and Todd Engelder and Zarah Pulmano and Nicolas Osa and Arko Barman},
journal= {arXiv preprint arXiv:2312.11467},
year = {2023}
}