脑损伤分割中CNN若干配置选择的探究
图像与视频处理
2022-12-05 v1 计算机视觉与模式识别
机器学习
摘要
脑肿瘤成像作为临床常规已应用多年，用于肿瘤的非侵入性检测与分级。肿瘤分割是原发脑肿瘤管理中的关键步骤，因其可实现体积分析以纵向随访肿瘤增大或缩小，从而监测疾病进展与治疗响应。此外，它有助于进一步的定量分析如放射组学。深度学习模型，尤其是CNN，已成为包括脑肿瘤分割在内的诸多医学图像分析应用中的首选方法。本研究中，我们探究了CNN模型在基于MRI的脑肿瘤分割这一特定任务中的主要设计方面。使用两种常用CNN架构(即DeepMedic与U-Net)来评估学习率、批大小、损失函数与优化器等关键参数的影响。利用BraTS 2018数据集评估不同配置下CNN模型的性能以确定最优模型。随后，使用我们的内部数据集评估模型的泛化能力。在所有实验中，U-Net相比DeepMedic取得了更高的DSC。然而，该差异仅在使用FLAIR序列数据的全肿瘤分割及使用T1w序列数据的肿瘤核心分割中具有统计显著性。当分别使用U-Net与DeepMedic架构训练CNN模型时，初始学习率设为0.001的Adam与SGD均提供了最高的分割DSC。使用不同归一化方法时未观察到显著差异。在损失函数方面，软Dice与交叉熵损失的加权组合(权重项设为0.5)为DeepMedic与U-Net模型均带来了改进的分割性能与训练稳定性。
引用
@article{arxiv.2212.01235,
title = {Investigating certain choices of CNN configurations for brain lesion segmentation},
author = {Masoomeh Rahimpour and Ahmed Radwan and Henri Vandermeulen and Stefan Sunaert and Karolien Goffin and Michel Koole},
journal= {arXiv preprint arXiv:2212.01235},
year = {2022}
}
备注
11 pages, 2 figures