基于序贯三维U-Net的生物学信息引导脑肿瘤分割
计算机视觉与模式识别
2017-09-12 v1
摘要
深度学习已迅速成为脑损伤分割的首选工具。然而，现有算法很少预先配置其所选分割组织的任何生物学背景，而是依赖神经网络的优化器从头建立此类关联。我们提出一种将深度神经网络应用于胶质瘤组织分割问题的新方法，该方法考虑了胶质瘤的结构化特性——增强与非增强肿瘤互斥区域周围的脑水肿组织。我们训练了多个具有三维U-Net架构的深度神经网络，以树状结构对水肿、非增强肿瘤和增强肿瘤区域进行分割。具体而言，训练配置为：首先预测包含水肿的整个肿瘤区域，并将其输出分割作为输入馈送到单独的模型中以预测增强和非增强肿瘤。我们的方法在公开可用的BraTS数据集上训练和评估，在全肿瘤、增强肿瘤和肿瘤核心上分别取得了0.882、0.732和0.730的Dice分数。
引用
@article{arxiv.1709.02967,
title = {Sequential 3D U-Nets for Biologically-Informed Brain Tumor Segmentation},
author = {Andrew Beers and Ken Chang and James Brown and Emmett Sartor and CP Mammen and Elizabeth Gerstner and Bruce Rosen and Jayashree Kalpathy-Cramer},
journal= {arXiv preprint arXiv:1709.02967},
year = {2017}
}