用于 MRI 脑肿瘤分割与生存预测的多分辨率 3D CNN
图像与视频处理
2019-11-20 v1 计算机视觉与模式识别
机器学习
摘要
本研究提出一种自动化的三维（3D）深度分割方法，用于在 3D 术前 MRI 扫描中检测胶质瘤。随后，给出一种基于随机森林的生存预测分类算法。目标是分割胶质瘤区域并为其不同子区域（即坏死与非增强肿瘤核心、瘤周水肿和增强肿瘤）生成分割标签。所提出的分割任务深度架构包含两条具有不同分辨率的不同并行流。一个深度卷积神经网络用于学习输入数据的局部特征，而另一个则对整个图像进行全局观测。被认为具有互补性，各流的输出随后被合并以对输入图像提供集成完整学习。所提网络将整幅图像作为输入，而非基于块的方法，以考虑整个体积中的语义特征。该算法在 BraTS 2019 上训练，其包含 335 例训练病例，并使用盲测方法在验证数据集的 127 例未见病例上验证。所提方法还在 BraTS 2019 挑战赛测试数据集的 166 例上评估。结果显示所提方法提供了有前景的分割与生存预测。验证集自动脑肿瘤分割的平均 Dice 重叠度对于全肿瘤、核心和增强肿瘤分别为 0.84、0.74 和 0.71。挑战赛测试数据集的相应结果分别为 0.82、0.72 和 0.70。所提模型在生存预测任务上的总体准确率验证集为 52%，测试数据集为 49%。
引用
@article{arxiv.1911.08388,
title = {Multi-Resolution 3D CNN for MRI Brain Tumor Segmentation and Survival Prediction},
author = {Mehdi Amian and Mohammadreza Soltaninejad},
journal= {arXiv preprint arXiv:1911.08388},
year = {2019}
}
备注
Submitted to Lecture Notes in Computer Science (LNCS) BraTS proceedings