基于图注意力网络的多类脑肿瘤分割
图像与视频处理
2023-02-14 v1 计算机视觉与模式识别
机器学习
摘要
从磁共振成像（MRI）中进行脑肿瘤分割在诊断放射学中具有重要作用。为克服人工方法的实际难题，构建自动肿瘤分割算法存在巨大需求。本工作利用MRI与图神经网络（GNNs）的进展，提出了一种高效的脑肿瘤分割模型。该模型将体积MRI表示为区域邻接图（RAG），并通过图注意力网络（GAT，GNNs的一种变体）学习识别肿瘤类型。在两个基准数据集上进行的消融分析证明，所提模型相比前沿方案可产生具有竞争力的结果。在BraTS2021验证数据集上，针对全肿瘤、核心肿瘤和增强肿瘤分割，其平均Dice分数分别为0.91、0.86、0.79，第95百分位平均Hausdorff距离（HD95）分别为5.91、6.08和9.52 mm。平均而言，在Dice分数和HD95评价指标上，这些性能分别比基于GNN的基线模型高出>6%和>50%。
引用
@article{arxiv.2302.05598,
title = {Multi-class Brain Tumor Segmentation using Graph Attention Network},
author = {Dhrumil Patel and Dhruv Patel and Rudra Saxena and Thangarajah Akilan},
journal= {arXiv preprint arXiv:2302.05598},
year = {2023}
}