机构名称：
¥ 2.0
摘要：肿瘤病变分割是从 MR 神经放射图像中研究和描述癌症的关键步骤。目前，许多深度学习分割架构已被证明在它们所训练的特定肿瘤类型上表现良好（例如，大脑半球的胶质母细胞瘤）。然而，在给定肿瘤类型上进行大量训练的高性能网络可能在没有标记病例允许训练或迁移学习的罕见肿瘤类型上表现不佳。然而，由于常见肿瘤和罕见肿瘤在病变内和周围存在一些视觉相似性，因此可以将问题分为两个步骤：物体检测和分割。对于每个步骤，在常见病变上训练过的网络可以按照域自适应方案用于罕见病变，而无需额外的微调。这项工作提出了一种弹性肿瘤病变描绘策略，该策略基于实现检测和分割的已建立的基本网络的组合。我们的策略使我们能够在训练期间对位于未见肿瘤背景区域中的罕见肿瘤实现稳健的分割推断。以弥漫性内生性脑桥胶质瘤 (DIPG) 为例，我们无需进一步训练或网络架构调整即可实现 0.62 的平均骰子分数。
物体检测可改善罕见脑肿瘤 MR 图像中的肿瘤分割
主要关键词
相关文件推荐
