利用带标签不确定性的三维到二维网络进行不确定性驱动的肿瘤核心分割细化
图像与视频处理
2020-12-14 v1 计算机视觉与模式识别
摘要
BraTS 数据集包含高级别与低级别胶质瘤的混合，二者外观差异较大：既往研究表明，通过在低级别胶质瘤（LGGs）和高级别胶质瘤（HGGs）上分别训练可提升性能，但在实际测试中无法获知该信息以决定使用何种模型。与 HGGs 相比，LGGs 的肿瘤核心与周围水肿之间常无清晰边界，而是肿瘤细胞密度的逐渐降低。利用我们的三维到二维全卷积架构 DeepSCAN（在 2019 年 BraTS 挑战赛中排名靠前，并使用不确定性感知损失训练），我们将病例分为核心分割置信度高、以及核心分割模糊或缺失两类。由于假设每个肿瘤均有核心，对于分类器分割出的核心模糊或缺失的病例，我们降低核心组织分类的阈值。随后，我们基于年龄、不同肿瘤组分数量及不同肿瘤核心数量，采用线性回归与随机森林分类融合预测高级别胶质瘤患者生存情况。我们在 2020 年多模态脑肿瘤分割挑战赛（分割与不确定性挑战）验证集及测试集上给出结果，该方法在分割中获第 4 名，在不确定性估计中获第 1 名，在生存预测中获第 1 名。
引用
@article{arxiv.2012.06436,
title = {Uncertainty-driven refinement of tumor-core segmentation using 3D-to-2D networks with label uncertainty},
author = {Richard McKinley and Micheal Rebsamen and Katrin Daetwyler and Raphael Meier and Piotr Radojewski and Roland Wiest},
journal= {arXiv preprint arXiv:2012.06436},
year = {2020}
}
备注
Presented (virtually) in the MICCAI Brainles workshop 2020. Accepted for publication in Brainles proceedings