基于密集连接3D CNN的MRI肿瘤分割
图像与视频处理
2018-03-02 v2 计算机视觉与模式识别
摘要
胶质瘤最常见且最具侵袭性的原发性脑肿瘤类型之一。皮层下脑结构的准确分割对胶质瘤研究至关重要，因其有助于监测胶质瘤进展并辅助评估治疗效果。然而，大量所需人力使得获取手动分割的磁共振成像（MRI）数据困难，限制了精确定量测量在临床实践中的使用。本工作中，我们试图通过开发基于3D卷积神经网络（3D CNN）的模型来自动分割胶质瘤，以解决此问题。我们分割模型的主要难点在于不同患者间胶质瘤的位置、结构和形状差异显著。为准确分类每个体素，我们的模型通过从两个感受野尺度提取特征来捕获多尺度上下文信息。为充分利用肿瘤结构，我们提出一种新颖架构，分层分割坏死及非增强肿瘤（NCR/NET）、瘤周水肿（ED）和GD增强肿瘤（ET）等不同病灶区域。此外，我们利用密集连接卷积块进一步提升性能。我们以块级训练方案训练模型，以缓解类别不平衡问题。所提方法在BraTS 2017数据集上验证，对完整肿瘤、肿瘤核心和增强肿瘤的Dice分数分别达0.72、0.83和0.81。这些结果可与报道的SOTA结果相媲美，且我们的方法在紧凑性、时间与空间效率方面优于现有基于3D的方法。
引用
@article{arxiv.1802.02427,
title = {MRI Tumor Segmentation with Densely Connected 3D CNN},
author = {Lele Chen and Yue Wu and Adora M. DSouza and Anas Z. Abidin and Axel Wismuller and Chenliang Xu},
journal= {arXiv preprint arXiv:1802.02427},
year = {2018}
}