摘要 - MRI的自动脑肿瘤分割(BRAT)在诊断和治疗脑肿瘤中起关键作用。尽管3D U-NET达到最新的核心结果,但由于需要具有高记忆力的高端GPU,其临床使用受到限制。为了解决限制,我们利用几种技术来自定义基于2D U-NET的内存有效但策划的深层框架。在框架中,同时多标签肿瘤分割分解为顺序单标签(二进制)分割任务的融合。除了减少内存消耗外,它还可以提高分割精度,因为每个U-net都集中在子任务上,比整个Brats分割任务更简单。还采用了多模式MRI和批处理骰子损失功能的广泛数据增强,以进一步提高概括精度。对Brats 2020的实验表明,我们的框架几乎可以实现最先进的结果。在测试集中,完成了整个肿瘤,肿瘤核心和增强肿瘤的0.905、0.903和0.822的diCe评分。此外,我们的自定义框架可在预算GPU上执行,最低要求仅2G RAM。临床相关性 - 我们开发了一种记忆有效的深脑肿瘤分割工具,该工具可显着减少肿瘤分割的硬件需求,同时保持可比的准确性和时间。这些优点使我们的框架适合在临床应用中广泛使用,尤其是在低收入地区。我们计划将框架作为自由临床大脑成像分析工具的一部分释放。该框架的代码公开可用:https://github.com/nima-hs/brats。
主要关键词