机构名称：
¥ 1.0
摘要背景：本文讨论了从四种磁共振图像 (MRI) 扫描模式（即 T1 加权 MRI、增强 T1 加权 MRI、T2 加权 MRI 和 FLAIR）中对脑肿瘤、神经胶质瘤进行分类的问题。目前，许多可用的神经胶质瘤数据集通常包含一些未标记的脑部扫描，并且许多数据集的大小适中。方法：我们建议利用深度半监督学习来充分利用未标记数据。深度 CNN 特征被纳入一个新的基于图的半监督学习框架，用于学习未标记数据的标签，其中添加了新的 3D-2D 一致性约束以对来自同一 3D 脑部扫描的 2D 切片进行一致性分类。然后训练深度学习分类器使用具有估计标签的标记和未标记数据对不同类型的神经胶质瘤进行分类。为了缓解中等规模数据集导致的过度拟合，在 CNN 的训练中加入了生成对抗网络 (GAN) 生成的合成 MRI。结果：所提方案已在两个胶质瘤数据集上进行了测试，TCGA 数据集用于 IDH 突变预测（基于分子的胶质瘤亚型分类）和 MICCAI 数据集用于胶质瘤分级。我们的结果显示出良好的性能（TCGA 数据集上的测试准确率为 86.53%，MICCAI 数据集上的测试准确率为 90.70%）。结论：所提方案对于胶质瘤 IDH 突变预测和胶质瘤分级是有效的，其性能与最先进的方案相当。
深度半监督学习用于脑肿瘤分类
主要关键词
相关文件推荐
