QuickTumorNet：脑肿瘤快速自动多类分割
图像与视频处理
2020-12-24 v1 计算机视觉与模式识别
摘要
磁共振成像（MRI）等非侵入性技术广泛用于脑肿瘤诊断。然而，从 3D MRI 体积中手动分割脑肿瘤是一项耗时的任务，需要训练有素的放射科专家。由于手动分割的主观性，评分者间可靠性较低，可能导致诊断差异。由于许多脑肿瘤治疗的成功取决于早期干预，早期检测至关重要。在此背景下，一种用于脑肿瘤分割的全自动分割方法作为高效可靠的脑肿瘤检测与量化方法是必要的。在本研究中，我们提出了一种端到端的脑肿瘤分割方法，利用了修改后的 QuickNAT（一种脑组织结构分割深度卷积神经网络（CNN））。我们的方法在包含 233 例患者 T1 加权图像的数据集上进行了评估，这些图像标注了三类肿瘤（脑膜瘤、胶质瘤和垂体瘤）。我们的模型 QuickTumorNet 展示了快速、可靠且准确的脑肿瘤分割能力，可辅助临床医生进行诊断和治疗。
引用
@article{arxiv.2012.12410,
title = {QuickTumorNet: Fast Automatic Multi-Class Segmentation of Brain Tumors},
author = {Benjamin Maas and Erfan Zabeh and Soroush Arabshahi},
journal= {arXiv preprint arXiv:2012.12410},
year = {2020}
}