基于自编码器正则化 U-Net 的内存高效脑肿瘤分割
图像与视频处理
2019-10-07 v1 计算机视觉与模式识别
神经元与认知
摘要
脑肿瘤的早期诊断与精准分割对成功治疗至关重要。遗憾的是，人工分割耗时、昂贵，且即便具备丰富的人类专业知识也常常不够准确。在此，我们提出一种基于 MRI 的肿瘤分割框架，采用自编码器正则化的三维卷积神经网络。我们在 335 名肿瘤严重程度、大小和位置各异的患者的手动分割结构 T1、T1ce、T2 和 Flair MRI 图像上训练模型。随后，我们使用 125 名患者的独立数据测试模型，并成功将脑肿瘤分割为三个子区域：肿瘤核心（TC）、增强肿瘤（ET）和全肿瘤（WT）。我们还探索了若干数据增强与预处理步骤以提升分割性能。重要的是，我们的模型在单块 NVIDIA GTX1060 显卡上实现，从而针对广泛可负担的硬件优化了肿瘤分割。总之，我们提出了一种内存高效且可负担的肿瘤分割方案，以支持肿瘤性脑部疾病的精准诊断。
引用
@article{arxiv.1910.02058,
title = {Memory efficient brain tumor segmentation using an autoencoder-regularized U-Net},
author = {Markus Frey and Matthias Nau},
journal= {arXiv preprint arXiv:1910.02058},
year = {2019}
}