ME-Net：用于脑肿瘤分割的多编码器网络框架
图像与视频处理
2022-03-23 v1 人工智能
计算机视觉与模式识别
摘要
胶质瘤是最常见且最具侵袭性的脑肿瘤。磁共振成像（MRI）在评估肿瘤以安排肿瘤手术及后续治疗程序中起着至关重要的作用。然而，MRI图像的手动分割费力，限制了其临床应用。随着深度学习的发展，大量自动分割方法被提出，但多数停留在2D图像，导致性能不佳。此外，脑肿瘤与背景间严重的体素不平衡以及脑肿瘤大小与位置的不同，使得3D图像分割成为一项具有挑战性的问题。针对3D MRI分割，我们提出了一种具有多个编码器的脑肿瘤分割模型。该结构包含四个编码器与一个解码器。四个编码器分别对应MRI图像的四模态，进行一一对应的特征提取，然后将四模态的特征图合并入解码器。该方法降低了特征提取难度并大幅提升了模型性能。我们还引入了一种名为“类别Dice”的新损失函数，并对不同分割区域同时设置不同权重，解决了体素不平衡问题。我们使用在线BraTS 2020挑战赛验证集评估了我们的方法。与最先进方法相比，我们所提方法在验证集上取得了有前景的结果，完整肿瘤、肿瘤核心与增强肿瘤的Dice分数分别为0.70249、0.88267与0.73864。
引用
@article{arxiv.2203.11213,
title = {ME-Net: Multi-Encoder Net Framework for Brain Tumor Segmentation},
author = {Wenbo Zhang and Guang Yang and He Huang and Weiji Yang and Xiaomei Xu and Yongkai Liu and Xiaobo Lai},
journal= {arXiv preprint arXiv:2203.11213},
year = {2022}
}
备注
28 pages, 8 figures, accepted by IMA journal