从多模态MRI图像通过组合UNets进行脑瘤细分
Yue Zhang1,2,3,4, Pinyuan Zhong1, Dabin Jie1
1Department of Electrical and Electronic Engineering, Southern University of Science and Technology, Shenzhen, China.
Frontiers in radiology
|July 26, 2023
概括
这项研究通过结合先前的知识和先进的策略,通过使用UNet改进了脑瘤细分. 改进的方法在细分整个瘤,瘤核心和从MRI图像中增强瘤区域方面取得了卓越的性能.
科学领域:
- 医学成像和图像分析.
- 人工智能在医学中的应用
- 神经瘤学神经瘤学
背景情况:
- 精确的质瘤细分对于手术规划和监测疾病进展至关重要.
- 联网架构在自动化脑瘤细分从多模态核磁共振 (MRI) 中表现有前途.
- 现有的方法往往侧重于网络架构,而不是利用互补的数据和策略.
研究的目的:
- 通过整合先前的知识和优化培训/测试策略,提高脑瘤细分性能.
- 改善整个瘤 (WT),瘤核心 (TC) 和增强瘤 (ET) 区域的细分.
- 开发一个强大的管道,超越当前最先进的方法.
主要方法:
- 开发了三种具有不同输入的UNet模型:多模态MR图像,带有大脑分片的MR图像和带有分片和概率图的2D切片.
- 采用了一套整体策略,将来自三个UNets的输出结合起来.
- 实施后处理步骤来完善细分,包括纠正假阳性增强瘤区域.
主要成果:
- 在BraTS2018验证数据集上实现了优异的细分性能,Dice得分为91.03% (WT),86.44% (TC) 和80.58% (ET).
- 获得的平均95%的豪斯多夫距离为3.76mm (WT),6.73mm (TC) 和2.51mm (ET).
- 在BraTS2020培训数据和放射科医生对内部数据的定性验证上表现一致.
结论:
- 拟议的细分管道,利用先前的知识,联合3D+2D培训,组合方法和后处理,显著提高了质瘤细分的准确性.
- 这种方法为脑瘤细分提供了强大而有效的解决方案,优于现有的最先进的方法.
- 该方法的有效性通过多个数据集和专家放射学评估来验证.
