RFS+:用于增强脑瘤细分的临床适应性和计算效率高的战略

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 自动化脑瘤细分对于使用MRI模式 (T1,T1ce,T2,FLAIR) 的诊断和治疗计划至关重要.
• 当前的深度学习模型在标准化数据集上表现出色,但由于图像采集参数的变化,在各种临床环境中面临挑战.
• 存在对强大的细分模型的需求,这些模型可以在不同的临床环境中很好地概括.

研究的目的:

• 引入和评估新的区域集中选择加 (RFS+) 战略,以改进基于深度学习的自动脑瘤细分.
• 提高深度学习模型在各种临床环境中的概括和量化能力.
• 为了减少精确的脑瘤细分所需的计算资源和培训时间.

主要方法:

• 开发了以区域为中心的选择加 (RFS+) 策略,这是一个针对性的方法,专注于个别区域,具有定制的输入口罩,激活函数,损失函数和正常化.
• 通过确定特定地区的表现最好的模型,使用加权合体学习.
• 研究了多类,多标签和二进制细分方法与各种规范化技术,比较了BraTS 2021验证数据集和本地数据集上的三个U-net变体.

主要成果:

• 2D U-net 模型在 BraTS 2021 验证数据集上实现了 77.45% (ET),82.14% (TC) 和90.82% (WT) 的 Dice 相似系数 (DSC) 得分.
• 用RFS+策略增强的2D U-net模型在本地数据集上获得了总瘤体积 (GTV) 的79.22%的优异DSC得分.
• 与最先进的模型相比,RFS+策略启用模型的训练数据减少了10%,内存减少了67%,训练时间减少了92%.

结论:

• RFS+战略有效地提高了用于脑瘤细分的深度学习模型的概括性和量化能力.
• RFS+提供了一种计算效率高的方法,减少了数据,内存和时间要求.
• 这一策略对改善自动化脑瘤细分的临床应用具有重大前景.