使用3D nnU-Net与最少标注的小鼠MRI肺部肿瘤分割
图像与视频处理
2024-11-11 v2 计算机视觉与模式识别
机器学习
定量方法
机器学习
摘要
在药物发现中，准确的肺部肿瘤分割是评估肿瘤大小及其进展的重要步骤，这依赖于如MRI等体内成像。尽管已有深度学习模型被开发用于自动化这一过程，但研究重点主要放在人类受试者上，忽视了动物模型在临床前药物开发中的关键作用。本研究聚焦于优化小鼠的肺部肿瘤分割。首先，我们证明了nnU-Net模型优于U-Net、U-Net3+和DeepMeta模型。最重要的是，3D nnU-Net模型比2D模型取得了更好的结果，表明空间上下文对于MRI小鼠扫描中的分割任务的重要性。本研究证明了3D输入相对于2D输入图像在MRI扫描肺部肿瘤分割中的重要性。最后，我们超越了先前涉及肺部和肺部内肿瘤联合分割的最先进方法。我们的工作仅使用肺部肿瘤标注即可取得可比结果，减少了标注数量，节省了时间和标注精力。本工作（https://anonymous.4open.science/r/lung-tumour-mice-mri-64BB）是自动化临床前动物研究以量化实验药物疗效的重要一步，特别是在评估肿瘤变化方面。
引用
@article{arxiv.2411.00922,
title = {Lung tumor segmentation in MRI mice scans using 3D nnU-Net with minimum annotations},
author = {Piotr Kaniewski and Fariba Yousefi and Yeman Brhane Hagos and Talha Qaiser and Nikolay Burlutskiy},
journal= {arXiv preprint arXiv:2411.00922},
year = {2024}
}