超越癌症的视野：基于深度学习的乳腺 MRI 物体定位与 3D 语义分割的多机构验证
图像与视频处理
2023-11-29 v1 计算机视觉与模式识别
机器学习
摘要
乳腺癌的临床管理依赖于对肿瘤及其与邻近组织和标志结构的解剖学背景的准确理解。这种背景可由语义分割方法提供；然而，以往的工作大多局限于单独关注肿瘤本身，很少涉及其他组织类型。相比之下，我们提出了一种利用组织-组织相互作用来准确分割乳腺中每一种主要组织类型的方法，包括：胸壁、皮肤、脂肪组织、纤维腺体组织、血管和肿瘤，所用数据为标准诊疗下的动态对比增强 MRI。与先前最先进的方法相比，我们在肿瘤分割上取得了更优的 Dice 分数，同时在多个机构的其他受研组织上保持了有竞争力的性能。简言之，我们的方法首先使用 2D 物体检测器定位肿瘤，然后使用两个 3D U-net 独立分割肿瘤及周围组织，最后通过检查解剖学上合理的组织-组织接触来消除假阳性并整合这些结果。物体检测模型在 ImageNet 和 COCO 上进行了预训练，并在轴位和矢状位平面的 MIP（最大强度投影）图像上运行，从而确立一个 3D 肿瘤边界框。通过整合多个相关的瘤周组织，我们的工作可支持乳腺癌分期、预后和手术规划中的临床应用。
引用
@article{arxiv.2311.16213,
title = {Seeing Beyond Cancer: Multi-Institutional Validation of Object Localization and 3D Semantic Segmentation using Deep Learning for Breast MRI},
author = {Arda Pekis and Vignesh Kannan and Evandros Kaklamanos and Anu Antony and Snehal Patel and Tyler Earnest},
journal= {arXiv preprint arXiv:2311.16213},
year = {2023}
}
备注
9 pages, 2 figures, to appear in SPIE: Medical Imaging 2024