深度卷积神经网络中球面坐标变换预处理用于 MRI 脑肿瘤分割

磁共振成像（MRI）在日常临床实践中用于评估脑肿瘤。已有若干自动或半自动分割算法被提出以分割脑肿瘤并达到专家级精度。深度卷积神经网络（DCNN）近来展现出非常有前景的结果，然而 DCNN 模型仍远未实现具有临床意义的结果，主要因为其泛化能力不足。DCNN 模型需要大规模标注数据集才能取得良好性能。模型常在其所训练的领域数据集上优化，而当同一模型应用于来自不同机构的异源数据集时任务失败。原因之一在于缺乏用于适配不同模型和 MR 设备的数据标准化。本工作中，我们假设在预处理阶段进行三维球面坐标变换可提升 DCNN 模型的精度，并使其在小型异质数据集上训练且迁移至不同领域时仍获得更具泛化性的结果。事实上，球面坐标系独立于分辨率和成像设置工作，从而避免了若干标准化问题。使用 BraTS 2019 数据集，在两种具有相同网络结构的 DCNN 模型中评估了笛卡尔坐标与球面坐标体数据。在球面变换预处理输入上训练的模型，在预测胶质瘤肿瘤核心与增强肿瘤类别的分割上优于笛卡尔输入训练的模型（在验证集上分别提升 0.011 与 0.014），并通过融合两模型进一步提升了精度。此外，球面变换不依赖于分辨率，在不同输入分辨率下取得相同结果。