术前脑肿瘤成像：用于分割与标准化报告的模型与软件
图像与视频处理
2023-05-04 v1 计算机视觉与模式识别
机器学习
摘要
对于脑肿瘤患者，预后评估与治疗决策由多学科团队基于一组术前MR扫描作出。目前，缺乏标准化且自动化的肿瘤检测与临床报告生成方法是一大障碍。在本研究中，我们通过多达4000名患者的四个队列，对胶质母细胞瘤、低级别胶质瘤、脑膜瘤和转移瘤进行探究。采用AGU-Net架构并配合不同的预处理步骤与协议训练肿瘤分割模型。利用涵盖体积、距离和概率方面的一广泛 voxel 与 patient-wise 指标对分割性能进行了深入评估。最后，开发了两种软件解决方案，便于训练模型的使用与临床报告的标准化生成：Raidionics 与 Raidionics-Slicer。四种不同脑肿瘤类型的分割性能相当均匀，平均真阳性 Dice 介于80%至90%之间，patient-wise 召回率介于88%至98%之间，patient-wise 精度约为95%。借助支持CPU的台式计算机运行的 Raidionics 软件，根据MRI体积尺寸不同，肿瘤分割可在16至54秒内完成。生成包含肿瘤分割与特征计算的标准化临床报告需5至15分钟。所有训练模型均已开放获取，同时提供两种软件解决方案与验证指标计算的源代码。未来，需对脑肿瘤类型进行自动分类以替代人工用户输入。最后，在两种软件解决方案中纳入术后分割，将是生成完整术后标准化临床报告的关键。
引用
@article{arxiv.2204.14199,
title = {Preoperative brain tumor imaging: models and software for segmentation and standardized reporting},
author = {D. Bouget and A. Pedersen and A. S. Jakola and V. Kavouridis and K. E. Emblem and R. S. Eijgelaar and I. Kommers and H. Ardon and F. Barkhof and L. Bello and M. S. Berger and M. C. Nibali and J. Furtner and S. Hervey-Jumper and A. J. S. Idema and B. Kiesel and A. Kloet and E. Mandonnet and D. M. J. Müller and P. A. Robe and M. Rossi and T. Sciortino and W. Van den Brink and M. Wagemakers and G. Widhalm and M. G. Witte and A. H. Zwinderman and P. C. De Witt Hamer and O. Solheim and I. Reinertsen},
journal= {arXiv preprint arXiv:2204.14199},
year = {2023}
}
备注
20 pages, 5 figures, 10 tables