基于深度学习的 MRI 脊髓肿瘤多类分割
图像与视频处理
2021-03-31 v4 计算机视觉与模式识别
机器学习
摘要
脊髓肿瘤导致神经发病与死亡。能够获得肿瘤、水肿和空洞的形态测量量化（大小、位置、生长速率）可改善监测与治疗规划。这种量化需要将这些结构分割为三个独立的类别。然而，三维结构的手动分割耗时且繁琐，这促使了自动化方法的发展。在此，我们调整了一个适配于脊髓肿瘤分割任务的模型。数据来自 343 名患者，使用钆增强 T1 加权和 T2 加权 MRI 扫描，覆盖颈、胸和/或腰段。数据集包含三种最常见的髓内脊髓肿瘤类型：星形细胞瘤、室管膜瘤和血管母细胞瘤。所提方法是一种基于 U-Net 模型的级联架构，以两阶段过程分割肿瘤：定位与标记。模型首先找到脊髓并生成边界框坐标。图像根据该输出被裁剪，从而减小视野，缓解类别不平衡。随后分割肿瘤。肿瘤、空洞和水肿（作为单一类别）的分割达到了 76.7 1.5% 的 Dice 分数，仅肿瘤分割达到了 61.8 4.0% 的 Dice 分数。对肿瘤、水肿和空洞的真阳性检测率高于 87%。据我们所知，这是首个完全自动化的脊髓肿瘤分割深度学习模型。该多类分割流程可在 Spinal Cord Toolbox（https://spinalcordtoolbox.com/）中获取。它可在普通计算机上用自定义数据在数秒内运行。
引用
@article{arxiv.2012.12820,
title = {Multiclass Spinal Cord Tumor Segmentation on MRI with Deep Learning},
author = {Andreanne Lemay and Charley Gros and Zhizheng Zhuo and Jie Zhang and Yunyun Duan and Julien Cohen-Adad and Yaou Liu},
journal= {arXiv preprint arXiv:2012.12820},
year = {2021}
}