机构名称：
¥ 1.0
摘要 — 胶质瘤是一种高度侵袭性的脑肿瘤，出现在大脑的不同部位，大小、形状各异，边界模糊。因此，在 MRI 图像中识别肿瘤的确切边界是一项艰巨的任务。近年来，基于深度学习的 CNN 方法在图像处理领域越来越受欢迎，并已用于医学应用中的精确图像分割。然而，CNN 的固有局限性使得在训练阶段需要数万张图像，而收集和注释如此大量的图像带来了巨大的挑战。在这里，我们首次优化了一个基于胶囊神经网络（称为 SegCaps）的网络，以实现 MRI 图像中的精确胶质瘤分割。我们将我们的结果与使用常用的 U-Net 进行的类似实验进行了比较。两个实验都是在 BraTS2020 挑战性数据集上进行的。对于 U-Net，网络训练是在整个数据集上进行的，而 SegCaps 使用的子集仅包含整个数据集的 20%。为了评估我们提出的方法的结果，我们使用了 Dice 相似系数 (DSC)。SegCaps 和 U-Net 在胶质瘤肿瘤核心分割上分别达到了 87.96% 和 85.56% 的 DSC。SegCaps 使用卷积层作为基本组件，具有概括新观点的内在能力。网络使用胶囊的动态路由来学习特征之间的空间关系。胶囊神经网络的这些功能使胶质瘤分割结果提高了 3%，数据更少，而其参数比 U-Net 少 95.4%。
基于 CapsNet 的脑 MRI 图像中胶质瘤的精确自动分割
主要关键词
相关文件推荐
