用于脑肿瘤分割的迁移学习
图像与视频处理
2020-11-30 v2 计算机视觉与模式识别
摘要
神经胶质瘤是最常见、采用放化疗与手术治疗的恶性脑肿瘤。放疗科医生使用磁共振成像(MRI)手动勾画脑病灶并观察其在治疗过程中的发展。手动图像分割过程耗时且不同人工标注者间结果往往存在差异。因此，对能够可靠且准确分割各类脑组织的自动图像分割算法存在大量需求。深度学习的近期进展催生了在各种视觉识别任务中表现出色的卷积神经网络架构。它们已成功应用于包括医学图像分割在内的医学场景。特别地，全卷积网络(FCN)如U-Net在脑肿瘤自动分割中取得了最先进的(state-of-the-art)结果。MRI脑扫描为体积数据，并以多种共配准模态存在，作为这些FCN架构的输入通道。在此复杂输入上训练脑肿瘤分割算法需要大量计算资源且容易过拟合。本工作中，我们构建带有预训练卷积编码器的FCN。我们表明以此可稳定训练过程，并在dice分数和豪斯多夫距离方面取得提升。我们还在私有临床数据集上测试了该方法。
引用
@article{arxiv.1912.12452,
title = {Transfer Learning for Brain Tumor Segmentation},
author = {Jonas Wacker and Marcelo Ladeira and José Eduardo Vaz Nascimento},
journal= {arXiv preprint arXiv:1912.12452},
year = {2020}
}
备注
11 pages, 4 figures, MICCAI BraTS 2020 workshop