处理脑转移瘤深度学习分割中缺失 MRI 输入数据：一项多中心研究
图像与视频处理
2019-12-30 v1 计算机视觉与模式识别
摘要
本研究旨在评估一种用于检测和分割脑转移瘤的新型 DropOut 模型的临床价值，该模型利用输入丢弃层在四种不同 MRI 序列上训练神经网络，从而通过在完整输入集及其所有可能子集上训练来模拟缺失 MRI 数据的场景。这项回顾性多中心研究评估了 165 名脑转移瘤患者。一个名为 DropOut 的基于深度学习的脑转移瘤自动分割模型在 100 名患者的多序列 MRI 上训练，并在 10/55 名患者上验证/测试。分割结果与最先进的 DeepLabV3 模型性能进行比较。训练集中的 MR 序列包括钆(Gd)增强前后 T1 加权 3D 快速自旋回波、Gd 增强后 T1 加权反转恢复(IR)预备快速扰相梯度回波和 3D 液体衰减反转恢复(FLAIR)，而测试集不包含 IR 预备图像序列。金标准由经验丰富的神经放射科医生确定。使用精确率、召回率、Dice 分数和受试者工作特征(ROC)曲线统计量评估结果，并使用 Wilcoxon 秩和检验比较两个神经网络的性能。所有测试用例的平均 ROC 曲线下面积(AUC)在 DropOut 模型中为 0.989±0.029，在 DeepLabV3 模型中为 0.989±0.023(p=0.62)。DropOut 模型的 Dice 分数显著高于 DeepLabV3 模型(0.795±0.105 对比 0.774±0.104，p=0.017)，在使用 10mm³ 病灶大小限制时平均假阳性率显著更低，为 3.6/患者 对比 7.0/患者(p<0.001)。DropOut 模型可在多中心基础上促进脑转移瘤的准确检测与分割，即使测试队列缺失 MRI 输入数据。
引用
@article{arxiv.1912.11966,
title = {Handling Missing MRI Input Data in Deep Learning Segmentation of Brain Metastases: A Multi-Center Study},
author = {Endre Grøvik and Darvin Yi and Michael Iv and Elizabeth Tong and Line Brennhaug Nilsen and Anna Latysheva and Cathrine Saxhaug and Kari Dolven Jacobsen and Åslaug Helland and Kyrre Eeg Emblem and Daniel Rubin and Greg Zaharchuk},
journal= {arXiv preprint arXiv:1912.11966},
year = {2019}
}