基于自监督与半监督学习的脑切除模拟用于腔体分割
摘要
切除性手术对药物难治性局灶性癫痫可能具有治愈作用，但仅 40% 至 70% 的患者术后实现无癫痫发作。回顾性定量分析可阐明切除结构与患者预后中的模式，从而改进切除性手术。然而，首先必须在术后 MR 图像上分割出切除腔。卷积神经网络（CNNs）是最先进的图像分割技术，但需要大量标注数据用于训练。医学图像标注是一个耗时的过程，需要训练有素的评分者，且常存在较高的评分者间差异。自监督学习可用于从非标注数据生成训练样本。我们开发了一种算法，在术前 MR 图像上模拟切除。我们整理了一个新的数据集 EPISURG，包含 431 名接受切除性手术患者的 431 张术后和 269 张术前 MR 图像。除 EPISURG 外，我们使用了三个公共数据集，包含 1813 张术前 MR 图像用于训练。我们在训练过程中动态生成的人工切除图像上训练了一个 3D CNN，所用图像来自 1) EPISURG，2) 公共数据集，3) 两者。为评估训练好的模型，我们计算模型分割与三名人类评分者完成的 200 个手动标注之间的 Dice 分数（DSC）。在带有手动标注的数据上训练的模型获得的 DSC 中位数（四分位距）为 65.3（30.6）。我们性能最佳的模型未使用任何手动标注训练，其 DSC 为 81.7（14.2）。作为比较，人类标注者之间的评分者间一致性为 84.0（9.9）。我们展示了一种使用模拟切除腔训练 CNN 的方法，可在无手动标注的情况下准确分割真实切除腔。
引用
@article{arxiv.2006.15693,
title = {Simulation of Brain Resection for Cavity Segmentation Using Self-Supervised and Semi-Supervised Learning},
author = {Fernando Pérez-García and Roman Rodionov and Ali Alim-Marvasti and Rachel Sparks and John S. Duncan and Sébastien Ourselin},
journal= {arXiv preprint arXiv:2006.15693},
year = {2020}
}
备注
13 pages, 6 figures, accepted at the International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 2020