迈向全自动基于深度学习的脑肿瘤分割：脑提取是否仍然必要？
图像与视频处理
2022-12-29 v1 计算机视觉与模式识别
摘要
最先进的脑肿瘤分割基于应用于多模态 MRI 的深度学习模型。目前，这些模型在涉及配准、插值、脑提取（BE，也称为 skull-stripping）以及专家手动校正的预处理阶段之后进行训练。然而，对于临床实践，最后一步繁琐且耗时，因此并非总是可行，导致 skull-stripping 错误，会对肿瘤分割质量产生负面影响。尽管如此，对于现有众多不同 BE 方法中的任何一种，这种影响的程度从未被测量过。在这项工作中，我们提出了一种自动脑肿瘤分割流程，并用多种 BE 方法评估其性能。我们的实验表明，BE 方法的选择可损害多达 15.7% 的肿瘤分割性能。此外，我们提出在非 skull-stripped 图像上训练和测试肿瘤分割模型，从而有效地从流程中舍弃 BE 步骤。我们的结果表明，这种方法以极短的时间实现了具有竞争力的性能。我们得出结论，与当前范式相反，当期望在临床实践中获得高性能时，在非 skull-stripped 图像上训练肿瘤分割模型可能是最佳选择。
引用
@article{arxiv.2212.07497,
title = {Towards fully automated deep-learning-based brain tumor segmentation: is brain extraction still necessary?},
author = {Bruno Machado Pacheco and Guilherme de Souza e Cassia and Danilo Silva},
journal= {arXiv preprint arXiv:2212.07497},
year = {2022}
}
备注
15 pages, 9 figures