摘要:深度学习的最新进展显著改善了脑肿瘤分割技术;然而,由于结果仅考虑图像数据而没有生物物理先验或病理信息,因此结果仍然缺乏信心和稳健性。整合生物物理学信息的正则化是改变这种情况的有效方法之一,因为它为自动端到端学习提供了先验正则化。在本文中,我们提出了一种新方法,将脑肿瘤生长偏微分方程 (PDE) 模型设计为深度学习的正则化,可与任何网络模型配合使用。我们的方法将肿瘤生长 PDE 模型直接引入分割过程,提高了准确性和稳健性,尤其是在数据稀缺的情况下。该系统使用周期性激活函数估计肿瘤细胞密度。通过有效地将这种估计与生物物理模型相结合,我们可以更好地捕捉肿瘤特征。这种方法不仅使分割更接近实际生物行为,而且还增强了模型在有限数据条件下的性能。我们通过对 BraTS 2023 数据集进行大量实验证明了我们框架的有效性,展示了肿瘤分割的精度和可靠性的显着提高。
主要关键词
![arXiv:2403.09136v3 [eess.IV] 2024 年 10 月 9 日PDF文件第1页](/bimg/6/6fae5658795e91382f71ce42d2c89e5765bd8cca.webp)
![arXiv:2403.09136v3 [eess.IV] 2024 年 10 月 9 日PDF文件第2页](/bimg/7/7b4fb6a4236f977846df17a8896c72e8e1c17088.webp)
![arXiv:2403.09136v3 [eess.IV] 2024 年 10 月 9 日PDF文件第3页](/bimg/0/074b39454a2afd0ca237aa82de0a330791adced0.webp)
![arXiv:2403.09136v3 [eess.IV] 2024 年 10 月 9 日PDF文件第4页](/bimg/f/f7c3cb83dea4849cc1fe5754fba84435e1c354fb.webp)
![arXiv:2403.09136v3 [eess.IV] 2024 年 10 月 9 日PDF文件第5页](/bimg/3/3a7dbfb363cfecd20bca3ca3b999ba445a6b574c.webp)
