机构名称：
¥ 1.0
摘要：需要有效、稳健且自动化的脑肿瘤分割工具来提取对治疗计划有用的信息。最近，卷积神经网络在识别磁共振 (MR) 图像中的肿瘤区域方面表现出色。情境感知人工智能是开发用于计算机辅助医学图像分析的深度学习应用程序的一个新兴概念。当前研究的很大一部分致力于开发新的网络架构，以通过使用情境感知机制来提高分割准确性。在这项工作中，研究了以白质 (WM)、灰质 (GM) 和脑脊液 (CSF) 掩模和概率图的形式添加来自大脑解剖结构的情境信息是否能改善基于 U-Net 的脑肿瘤分割。 BraTS2020 数据集用于训练和测试两个标准 3D U-Net (nnU-Net) 模型，除了传统的 MRI 图像模态外，这两个模型还使用二元掩模 (CIM) 或概率图 (CIP) 形式的解剖上下文信息作为额外通道。为了进行比较，还训练了一个仅使用传统 MRI 图像模态的基线模型 (BLM)。从整体分割准确度、模型训练时间、领域泛化以及对每个受试者可用的 MRI 模态较少的补偿方面研究了添加上下文信息的影响。在官方 BraTS2020 验证数据集（125 名受试者）上，BLM、CIM 和 CIP 的中位 (均值) Dice 分数分别为 90.2 (81.9)、90.2 (81.9) 和 90.0 (82.1)。结果表明，在比较基线模型和上下文信息模型的 Dice 评分时，即使单独比较高级别和低级别肿瘤的性能，也没有统计学上显著的差异（ p > 0.05）。在少数看到改善的低级别病例中，假阳性的数量减少了。此外，在考虑模型训练时间或领域泛化时没有发现任何改进。只有在补偿每个受试者可用的 MR 模态较少的情况下，添加解剖上下文信息才能显著改善（ p < 0.05）整个肿瘤的分割。总之，当使用二元 WM、GM 和 CSF 掩模或概率图形式的解剖上下文信息作为额外通道时，分割性能并没有整体显著改善。
解剖背景信息是否可以改善 3D U-Net......
主要关键词
相关文件推荐
