Segmentation of brain tumor on magnetic resonance imaging using a convolutional architecture
School of Biomedical Engineering（生物医学工程学院）；Universidad Autónoma de Ciudad Juárez（华雷斯自治大学）
大脑是控制认知过程和身体功能的复杂器官。大脑中的肿瘤是影响大脑正常功能和过程的加速细胞生长。MRI扫描提供了身体的详细图像，是诊断脑肿瘤最常见的测试之一。从磁共振成像中分割脑肿瘤的过程可以为诊断、治疗计划和结果预测提供有价值的指导。在这里，我们考虑使用深度学习架构进行肿瘤分割的问题。虽然所提出的架构是简单的，并且在计算上易于训练，但它能够达到0.95的$IoU$水平。
2020-03-17 cs.CV eess.IV
Automatic Segmentation of Non-Tumor Tissues in Glioma MR Brain Images Using Deformable Registration with Partial Convolutional Networks
Shanghai United Imaging Intelligence Co. Ltd（上海联影智能医疗科技有限公司）；Southern Medical University（南方医科大学）
在脑肿瘤的诊断和手术规划中，肿瘤区域的分割和周围正常组织的准确分析是医生必须要做的。病理变异性通常使得难以将良好标记的正常图谱配准到这样的图像以及自动分割/标记周围的正常脑组织。在本文中，我们提出了一种新的配准方法，首先使用U-Net分割脑肿瘤，然后使用部分卷积网络模拟肿瘤区域内错过的正常组织。然后，将标准的正常脑图谱图像配准到这样的肿瘤去除图像上，以分割/标记正常脑组织。这样，我们的新方法大大减少了变形配准中病理变异的影响，并很好地分割了脑肿瘤周围的正常组织。在实验中，我们使用MICCAI BraTS 2018 T1肿瘤图像来评估所提出的算法。通过与直接配准算法的比较，结果表明，与周围正常脑组织相比，脑灰质的Dice系数有明显提高。
2020-07-10 cs.CV eess.IV
Brain Tumors Classification for MR images based on Attention Guided Deep Learning Model
Beihang University（北京航空航天大学）；Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院）；Shanghai Jiao Tong University（上海交通大学）；Ruijin Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属瑞金医院）
在脑肿瘤的临床诊断和治疗中，人工读片耗费了大量的精力和时间。近年来，基于深度学习的肿瘤自动分类技术进入人们的视野。脑肿瘤根据来源可分为原发性和继发性颅内肿瘤。然而，据我们所知，大多数关于脑肿瘤的现有研究仅限于原发性颅内肿瘤图像，无法对肿瘤来源进行分类。为了解决肿瘤源类型分类的任务，我们分析了现有技术，提出了一种注意力引导的深度卷积神经网络（CNN）模型。同时，本文提出的方法也有效地提高了分类的准确性有或没有肿瘤。对于脑MR数据集，我们的方法可以达到99.18%的平均准确率下的10倍交叉验证，用于识别肿瘤的存在或不存在，和83.38%的分类肿瘤的来源。实验结果表明，该方法与医学专家的方法是一致的。它可以帮助医生实现脑肿瘤的有效临床诊断。
2021-04-06 cs.CV eess.IV
Brain Tumor Classification by Cascaded Multiscale Multitask Learning Framework Based on Feature Aggregation
Isfahan University of Technology（伊斯法罕理工大学）；Seattle University（西雅图大学）；McMaster University（麦克马斯特大学）
MRI图像中的脑肿瘤分析是一个重要且具有挑战性的问题，因为误诊可能导致死亡。在早期阶段对脑肿瘤进行诊断和评估可以增加成功治疗的可能性。然而，肿瘤、形状和位置的复杂性和多样性使得它们的分割和分类变得复杂。在这方面，许多研究人员提出了脑肿瘤分割和分类方法。本文提出了一种方法，同时分割和分类的MRI图像中的脑肿瘤，使用一个框架，包括MRI图像增强和肿瘤区域检测。最后，提出了一种基于多任务学习方法的网络。主观和客观的结果表明，基于评价指标的分割和分类结果是更好的或相当于国家的最先进的。
2021-12-28 cs.CV eess.IV
Brain Tumor Diagnosis and Classification via Pre-Trained Convolutional Neural Networks
Aimech Technologies Corp.（Aimech科技公司）；Air University（航空大学）
脑肿瘤是最具侵袭性的肿瘤，如果在后期诊断，可能会导致预期寿命降低。人工识别脑肿瘤是繁琐的，容易出错。误诊会导致错误的治疗，从而降低患者的生存机会。医学共振成像（MRI）是用于诊断脑肿瘤及其类型的常规方法。本文试图从诊断过程中消除人工过程，而使用机器学习。我们提出了使用预训练的卷积神经网络（CNN）进行脑肿瘤的诊断和分类。三种类型的肿瘤与一类非肿瘤MRI图像进行分类。已使用的网络有ResNet50、EfficientNetB1、EfficientNetB7、EfficientNetV2B1。EfficientNet由于其可扩展性而显示出有希望的结果。EfficientNetB1显示了最好的结果，训练和验证准确率分别为87.67%和89.55%。
2022-07-27 cs.CV eess.IV
Cross-Modality Deep Feature Learning for Brain Tumor Segmentation
School of Mechano-Electronic Engineering, Xidian University（西安电子科技大学机电工程学院）；Computer Science Department, Aberystwyth University（阿伯里斯特威斯大学计算机科学系）；School of Automation, Northwestern Polytechnical University（西北工业大学自动化学院）；Deepwise AI Lab（深睿人工智能实验室）
机器学习的最新进展和数字医学图像的流行为使用深度卷积神经网络解决具有挑战性的脑肿瘤分割（BTS）任务提供了机会。然而，与非常普遍的RGB图像数据不同，用于脑肿瘤分割的医学图像数据在数据规模方面相对稀缺，但在模态属性方面包含更丰富的信息。为此，本文提出了一种新的跨模态深度特征学习框架，用于从多模态MRI数据中分割脑肿瘤。其核心思想是在多模态数据中挖掘丰富的模式，以弥补数据规模的不足。提出的跨模态深度特征学习框架由两个学习过程组成：跨模态特征转换（CMFT）过程和跨模态特征融合（CMFF）过程，其目的是分别通过跨不同模态数据传输知识和融合来自不同模态数据的知识来学习丰富的特征表示。在BraTS基准上进行了全面的实验，结果表明，与基线方法和最新方法相比，所提出的跨模态深度特征学习框架可以有效地提高脑肿瘤分割性能。
2022-01-07 cs.CV eess.IV
Multi-modal Brain Tumor Segmentation via Missing Modality Synthesis and Modality-level Attention Fusion
Southern University of Science and Technology（南方科技大学）；The University of Hong Kong（香港大学）
多模态磁共振（MR）成像为诊断和分析脑胶质瘤提供了巨大的潜力。在临床场景中，可以在单个扫描过程中同时获得常见的MR序列，例如T1、T2和FLAIR。然而，获取诸如T1 ce的对比增强模态需要额外的时间、成本和造影剂的注射。因此，开发一种方法来合成不可用的模态是有临床意义的，所述不可用的模态也可以用作下游任务的附加输入（例如，脑肿瘤分割）用于性能增强。在这项工作中，我们提出了一个名为模态级注意力融合网络（MAF-Net）的端到端框架，其中我们创新性地进行分片对比学习，以提取多模态潜在特征，并动态分配注意力权重来融合不同的模态。通过在BraTS 2020上的大量实验，我们发现我们提出的MAF-Net产生了优异的T1 ce合成性能（SSIM为0.8879，PSNR为22.78）和准确的脑肿瘤分割（分割肿瘤核心，增强肿瘤和整个肿瘤的平均Dice分数分别为67.9%，41.8%和88.0%）。
2022-03-09 cs.CV eess.IV
Segment Anything Model for Brain Tumor Segmentation
Zhengzhou University（郑州大学）
本研究针对脑肿瘤精准分割的临床需求，评估了零样本图像分割基础模型SAM在脑肿瘤分割任务上的性能，发现未微调的SAM与当前SOTA模型仍有差距。
2024-09-11 cs.CV eess.IV
Multi-stage Deep Layer Aggregation for Brain Tumor Segmentation
University of Minho（米尼奥大学）
神经胶质瘤是最具攻击性和致命性的脑肿瘤之一。本文详细介绍了用于磁共振图像脑肿瘤分割的拟议深度神经网络架构。该架构由三个深层聚合神经网络的级联组成，其中每个阶段使用特征图和前一阶段的概率以及MRI通道作为输入来阐述响应。神经成像数据是公开可用的脑肿瘤分割（BraTS）2020挑战数据集的一部分，我们在BraTS 2020验证和测试集中评估了我们的提案。在测试集中，实验结果实现了0.8858、0.8297和0.7900的Dice评分，对于整个肿瘤、核心肿瘤和增强肿瘤，Hausdorff距离分别为5.32 mm、22.32 mm和20.44 mm。
2021-01-02 cs.CV eess.IV
Brain Tumor Classification Using Medial Residual Encoder Layers
Isfahan University of Technology（伊斯法罕理工大学）；Seattle University（西雅图大学）；McMaster University（麦克马斯特大学）
根据世界卫生组织（WHO）的数据，癌症是全球第二大死亡原因，仅在2018年就造成950多万人死亡。每四个癌症死亡中就有一个是脑瘤。因此，准确和及时地诊断脑肿瘤将导致更有效的治疗。医生仅通过脑外科的活检手术对脑肿瘤进行分类，在诊断肿瘤类型后，为患者考虑治疗计划。基于机器学习算法的自动系统可以让医生通过非侵入性措施诊断脑肿瘤。迄今为止，已经提出了几种图像分类方法来帮助诊断和治疗。对于这项工作中的脑肿瘤分类，我们提供了一个基于深度学习的系统，包含编码器块。这些块被馈送以最大池化后的特征作为残差学习。我们的方法通过使用有限的医学图像数据集提高磁共振成像（MRI）图像中的肿瘤分类准确性，显示出有希望的结果。该模型在由3064张MR图像组成的数据集上的实验评估显示了95.98%的准确率，这比以前在该数据库上的研究要好。
2021-12-09 cs.CV eess.IV
Enhancing MRI Brain Tumor Segmentation with an Additional Classification Network
Vingroup Big Data Institute (VinBigdata)（越南 VinBigdata 大数据研究院）；Hanoi University of Science and Technology (HUST)（河内科技大学）；University of Engineering and Technology (UET), VNU（越南国立大学工程技术大学）
脑肿瘤分割在医学图像分析中起着至关重要的作用。在最近的研究中，深度卷积神经网络（DCNN）在处理肿瘤分割任务方面非常强大。在本文中，我们提出了一种新的训练方法，通过向网络添加额外的分类分支来增强分割结果。整个网络在多模式脑肿瘤分割挑战（BraTS）2020训练数据集上进行端到端训练。在BraTS的验证集上，增强肿瘤、整个肿瘤和肿瘤核心的平均Dice评分分别为78.43%、89.99%和84.22%。
2020-10-28 cs.CV eess.IV
3D U-Net Based Brain Tumor Segmentation and Survival Days Prediction
University of Electronic Science and Technology of China（电子科技大学）；New Jersey Institute of Technology（新泽西理工学院）
在过去的几年里，深度学习在许多应用场景中流行，其中之一就是医学图像处理。脑肿瘤的诊断和治疗需要对脑肿瘤进行准确可靠的分割作为前提。然而，这样的工作通常需要脑外科医生大量的时间。计算机视觉技术可以让外科医生从繁琐的标记过程中解脱出来。在本文中，基于3D U-net的深度学习模型已经在BraTS 2019竞赛中的脑肿瘤分割任务的大脑归一化和修补策略的帮助下进行了训练。在验证数据集上，增强肿瘤、肿瘤核心和整个肿瘤的Dice系数分别为0.737、0.807和0.894。测试数据集上的这三个值分别为0.778、0.798和0.852。此外，从预测的肿瘤标记中提取包括肿瘤大小与脑大小的比率和肿瘤表面的面积以及受试者的年龄在内的数值特征，并将其用于总生存天数预测任务。验证数据集的准确度为0.448，最终测试数据集的准确度为0.551。
2020-03-31 cs.CV eess.IV
Modality-Pairing Learning for Brain Tumor Segmentation
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Lenovo Research（联想研究院）
利用深度学习方法从多模态磁共振图像（MRI）中自动分割脑肿瘤在辅助脑肿瘤的诊断和治疗中起着重要作用。然而，以往的方法大多忽略了不同模态之间的潜在关系。在这项工作中，我们提出了一种新的端到端的模态配对学习方法用于脑肿瘤分割。该算法通过分层分支来挖掘不同的模态特征，并利用一系列的层连接来捕捉模态之间的复杂关系和丰富的信息。我们还使用一致性损失来最小化两个分支之间的预测方差。此外，采用学习率预热策略，解决了训练不稳定和早期过拟合的问题。最后，我们使用多个模型的平均集成和一些后处理技术来得到最终的结果。在BraTS 2020在线测试数据集上对该方法进行了测试，获得了良好的分割性能，整个肿瘤、肿瘤核心和增强肿瘤的平均骰子分数分别为0.891、0.842、0.816。我们的肿瘤分割任务赢得了BraTS 2020挑战赛的第二名。
2020-12-29 cs.CV eess.IV
HI-Net: Hyperdense Inception 3D UNet for Brain Tumor Segmentation
Shenzhen University（深圳大学）；Huazhong University of Science and Technology（华中科技大学）
脑肿瘤分割任务旨在使用多模型MRI图像将组织分类为整个肿瘤（WT）、肿瘤核心（TC）和增强肿瘤（ET）类。脑肿瘤的定量分析对于临床决策至关重要。虽然手动分割是繁琐的，耗时的，主观的，这个任务是在同一时间非常具有挑战性的自动分割方法。由于强大的学习能力，卷积神经网络（CNN），主要是全卷积网络，已经显示出很有前途的脑肿瘤分割。本文通过提出高密度初始3D UNet（HI-Net）进一步提高了脑肿瘤分割的性能，该网络通过在剩余初始块中堆叠3D加权卷积层的因式分解来捕获多尺度信息。我们在分解卷积层之间使用超密集连接，以在特征可重用性的帮助下提取更多的上下文信息。我们使用骰子损失函数来处理类不平衡。我们在多模态脑肿瘤分割挑战（BRATS）2020测试数据集上验证了所提出的架构。在BRATS 2020测试集上的初步结果表明，通过我们提出的方法，ET，WT和TC的骰子（DSC）得分分别为0.79457，0.87494和0.83712。
2020-12-12 cs.CV eess.IV
Deep Learning Based Brain Tumor Segmentation: A Survey
University of Leicester（莱斯特大学）；University of Lancaster（兰卡斯特大学）；Queen Mary, University of London（伦敦大学玛丽女王学院）；Xidian University（西安电子科技大学）；Bielefeld University（比勒费尔德大学）
脑肿瘤分割是医学图像分析中最具挑战性的问题之一。脑肿瘤分割的目标是生成准确的脑肿瘤区域的轮廓。近年来，深度学习方法在解决各种计算机视觉问题方面表现出了良好的性能，例如图像分类，对象检测和语义分割。许多基于深度学习的方法已被应用于脑肿瘤分割，并取得了可喜的成果。考虑到最先进的技术所取得的显着突破，我们使用这项调查来全面研究最近开发的基于深度学习的脑肿瘤分割技术。本次调查选择并讨论了100多篇科学论文，广泛涵盖网络架构设计、不平衡条件下的分割和多模态过程等技术方面。我们还为未来的发展方向提供了有见地的讨论。
2021-11-17 cs.CV eess.IV
Using Singular Value Decomposition in a Convolutional Neural Network to Improve Brain Tumor Segmentation Accuracy
Shahid Beheshti University（贝赫什提大学）
本研究提出在卷积神经网络中结合MSVD算法对脑部MRI图像降噪以改善脑肿瘤分割，结果显示准确率提升2.4%且加快了收敛速度。
2024-01-04 cs.CV eess.IV
Multi-step Cascaded Networks for Brain Tumor Segmentation
School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）
脑肿瘤自动分割方法在脑肿瘤诊断和治疗的整个过程中起着极其重要的作用。本文提出了一种多步级联网络，该网络考虑了脑肿瘤子结构的层次拓扑结构，对脑肿瘤子结构进行由粗到细的分割，在分割过程中，前一步的结果作为下一步的先验信息，指导下一步的精细分割过程。整个网络以端到端的方式进行训练。此外，为了缓解梯度消失问题并减少过拟合，我们为每一步添加了几个辅助输出作为一种深度监督，并分别引入了几种数据增强策略，这些策略被证明对脑肿瘤分割非常有效。最后，利用焦点损失来解决肿瘤区域和背景的显著不平衡问题。在BraTS 2019验证数据集上对模型进行了检验，肿瘤整体、肿瘤核心和增强肿瘤的平均骰子系数的初步结果分别为0.886、0.813、0.771。代码可在https://github.com/JohnleeHIT/Brats2019上获得
2019-09-25 cs.CV eess.IV
Brain Tumor Segmentation Network Using Attention-based Fusion and Spatial Relationship Constraint
College of Physics and Information Engineering, Fuzhou University（福州大学物理与信息工程学院）；School of Data Science, Fudan University（复旦大学数据科学学院）；School of Biomedical Engineering, Shanghai Jiao Tong University（上海交通大学生物医学工程学院）；School of Biomedical Engineering and Imaging Sciences, King’s College London（伦敦国王学院生物医学工程与成像科学学院）
从磁共振（MR）图像中描绘脑肿瘤对于胶质瘤的治疗至关重要。然而，由于肿瘤的复杂外观和模糊轮廓，自动描绘是具有挑战性的。考虑到多模态MR图像能够反映不同的肿瘤生物学特性，本文提出了一种新的多模态肿瘤分割网络（MMTSN），用于基于多模态MR图像的脑肿瘤分割。MMTSN由三个子分支和一个主分支组成。具体来说，子分支用于从多模态图像中捕获不同的肿瘤特征，而在主分支中，我们设计了一个空间通道融合块（SCFB）来有效地聚合多模态特征。此外，受肿瘤子区域之间的空间关系相对固定的事实的启发，增强的肿瘤总是在肿瘤的核心，我们提出了一个空间损失来约束肿瘤的不同子区域之间的关系。我们在多模态脑肿瘤分割挑战2020（BraTs2020）的测试集上评估了我们的方法。该方法对整个肿瘤、肿瘤核心和增强肿瘤的dice评分分别为0.8764、0.8243和0.773。
2020-10-31 cs.CV eess.IV
Assistive Diagnostic Tool for Brain Tumor Detection using Computer Vision
James B. Conant High School（詹姆斯·B·柯南特高中）
今天，美国有超过70万人患有脑瘤。除非采取必要的预防措施，否则脑肿瘤可以迅速扩散到大脑和脊髓的其他部位。因此，这种疾病的存活率对于男性和女性都低于40%。对一些人来说，脑肿瘤的结论性和早期诊断可能是生与死的区别。然而，脑肿瘤检测和分割是繁琐且耗时的过程，因为它只能由放射科医生和临床专家完成。使用计算机视觉技术，如Mask R卷积神经网络（Mask R CNN）来检测和分割脑肿瘤，可以减轻人为错误的可能性，同时提高预测准确率。该项目的目标是创建一个用于脑肿瘤检测和分割的辅助诊断工具。迁移学习与Mask R CNN一起使用，并相应地改变必要的参数作为起点。该模型用20个epoch进行训练，然后进行测试。预测分割与地面实况匹配90%。这表明该模型能够在高水平上运行。模型完成后，就创建了在Flask上运行的应用程序。该应用程序将作为医疗专业人员的工具。它允许医生上传患者脑肿瘤MRI图像，以便立即获得每个患者的诊断和分割结果。
2020-11-17 cs.CV eess.IV
Context Aware 3D UNet for Brain Tumor Segmentation
Huazhong University of Science and Technology（华中科技大学）；Shenzhen University（深圳大学）
深度卷积神经网络（CNN）在医学图像分析中取得了显著的性能。UNet是3D CNN架构用于医学成像任务（包括脑肿瘤分割）的主要性能来源。UNet架构中的跳过连接将来自编码器和解码器路径的特征连接起来，以从图像数据中提取多上下文信息。多尺度特征在脑肿瘤分割中起着至关重要的作用。然而，功能的有限使用可以降低分割的UNet方法的性能。在本文中，我们提出了一种改进的UNet架构的脑肿瘤分割。在所提出的架构中，我们使用密集连接的块在编码器和解码器的路径，以提取多上下文信息的概念，功能可重用性。此外，剩余的初始块（RIB）被用来提取本地和全局信息，通过合并不同的内核大小的功能。我们在多模态脑肿瘤分割挑战（BRATS）2020测试数据集上验证了所提出的架构。肿瘤整体、肿瘤核心和增强肿瘤的DSC评分分别为89.12%、84.74%和79.12%。
2020-11-27 cs.CV eess.IV
Towards fully automated deep-learning-based brain tumor segmentation: is brain extraction still necessary?
Federal University of Santa Catarina（圣卡塔琳娜联邦大学）；Santa Luzia Hospital（圣卢西亚医院）
最先进的脑肿瘤分割基于应用于多模态MRI的深度学习模型。目前，这些模型是在预处理阶段之后在图像上训练的，预处理阶段包括配准、插值、大脑提取（BE，也称为头骨剥离）和专家手动校正。然而，对于临床实践，这最后一步是繁琐和耗时的，因此，并不总是可行的，导致颅骨剥离故障，可能会对肿瘤分割质量产生负面影响。尽管如此，这种影响的程度从来没有被衡量的任何许多不同的BE方法可用。在这项工作中，我们提出了一个自动脑肿瘤分割管道，并评估其性能与多种BE方法。我们的实验表明，BE方法的选择可以损害高达15.7%的肿瘤分割性能。此外，我们提出了在非颅骨剥离图像上训练和测试肿瘤分割模型，有效地从管道中丢弃BE步骤。我们的研究结果表明，这种方法导致在一小部分的时间有竞争力的性能。我们的结论是，与当前的范例相比，当需要在临床实践中获得高性能时，在非颅骨剥离图像上训练肿瘤分割模型可能是最佳选择。
2022-12-14 cs.CV eess.IV
MAG-Net: Multi-task attention guided network for brain tumor segmentation and classification
Indian Institute of Information Technology Allahabad（印度阿拉哈巴德信息技术学院）
脑肿瘤是所有年龄组中最常见和最致命的疾病。通常，放射科医生采用MRI模式来识别和诊断肿瘤。正确识别肿瘤区域及其类型有助于肿瘤的诊断和后续治疗计划。然而，对于任何放射科医生来说，分析这种扫描是一项复杂而耗时的任务。受基于深度学习的计算机辅助诊断系统的启发，本文提出了多任务注意力引导的编码器-解码器网络（MAG-Net），用于使用MRI图像对脑肿瘤区域进行分类和分割。MAG-Net在Figshare数据集上进行训练和评估，该数据集包括脑膜瘤、神经胶质瘤和垂体瘤3种类型的冠状、轴向和矢状视图。通过详尽的实验测试，该模型与现有的最先进的模型相比取得了令人鼓舞的结果，同时在其他最先进的模型中具有最少数量的训练参数。
2021-12-06 cs.CV eess.IV
H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task
Research & Development Institute of Northwestern Polytechnical University in Shenzhen（西北工业大学深圳研究院）；Northwestern Polytechnical University（西北工业大学）；University of Pittsburgh（匹兹堡大学）；University of Sydney（悉尼大学）；JD Finance America Corporation（京东金融美国公司）
在本文中，我们提出了一种混合高分辨率和非局部特征网络（H2 NF-Net）分割多模态MR图像中的脑肿瘤。我们的H2 NF-Net使用单个和级联HNF-Net来分割不同的脑肿瘤子区域，并将预测组合在一起作为最终分割。我们在多模态脑肿瘤分割挑战（BraTS）2020数据集上训练和评估了我们的模型。测试集的结果显示，单个和级联模型的组合分别实现了增强肿瘤、整个肿瘤和肿瘤核心的平均Dice评分0.78751、0.91290和0.85461，以及Hausdorff距离（$95\%$）26.57525、4.18426和4.97162。我们的方法在近80名参与者中赢得了BraTS 2020挑战分割任务的第二名。
2020-12-30 cs.CV eess.IV
Brain Tumor Segmentation by Cascaded Deep Neural Networks Using Multiple Image Scales
Isfahan University of Technology（伊斯法罕理工大学）
颅内肿瘤是通常不受控制地生长的细胞群。四分之一的癌症死亡是由于脑肿瘤。脑肿瘤的早期检测和评估是通过磁共振成像（MRI）进行的重要预防性医疗步骤。为此目的，存在许多分割技术。分割精度低是现有方法的主要缺点。在本文中，我们使用深度学习方法来提高MR图像中肿瘤分割的准确性。级联方法用于多尺度图像，以诱导局部和全局视图，并帮助网络达到更高的精度。我们的实验结果表明，使用多尺度和利用两个级联网络是有利的。
2020-02-05 cs.CV eess.IV
Region of Interest Identification for Brain Tumors in Magnetic Resonance Images
Isfahan University of Technology（伊斯法罕理工大学）
脑胶质瘤是一种常见的脑肿瘤，对其准确检测在诊断和治疗过程中起着至关重要的作用。尽管医学图像分析取得了进展，但由于肿瘤纹理、位置和形状的变化，脑磁共振（MR）图像中的准确肿瘤分割仍然是一个挑战。在本文中，我们提出了一种快速，自动化的方法，与光的计算复杂性，找到肿瘤区域周围的最小边界框。该感兴趣区域可以用作训练网络的预处理步骤，用于子区域肿瘤分割。通过采用该算法的输出，去除了冗余信息，因此网络可以专注于学习与子区域类别相关的显著特征。该方法分为六个主要阶段，其中脑区分割是最关键的一步。期望最大化（EM）和K-means算法用于脑分割。在BraTS 2015数据集上对所提出的方法进行了评估，平均获得的DICE得分为0.73，这对于该应用来说是可以接受的结果。
2020-02-26 cs.CV eess.IV
SKIPNet: Spatial Attention Skip Connections for Enhanced Brain Tumor Classification
Indian Institute of Technology Roorkee（印度理工学院鲁尔基分校）；Indian Institute of Technology BHU（印度理工学院（贝拿勒斯印度教大学））
针对偏远地区脑肿瘤MRI诊断资源不足及人工分割耗时的问题，本研究提出融合空间注意力的SKIPNet深度学习模型，实现96.90%的分类准确率，性能优于基线模型，为自动化脑肿瘤分析提供了更优方案。
2024-12-10 cs.CV eess.IV
Brain Tumor Segmentation Using Deep Learning by Type Specific Sorting of Images
Isfahan University of Technology（伊斯法罕理工大学）
最近，深度学习在计算机视觉领域发挥了重要作用。它的应用之一是减少人类在疾病诊断中的判断。特别是脑肿瘤的诊断需要高精度，微小的判断错误可能导致灾难。出于这个原因，脑肿瘤分割是医疗目的的一个重要挑战。目前存在几种用于肿瘤分割的方法，但它们都缺乏高精度。在这里，我们提出了一种使用深度学习进行脑肿瘤分割的解决方案。在这项工作中，我们研究了不同角度的大脑MR图像，并应用不同的网络进行分割。使用单独的网络分割的MR图像的效果进行评估，通过比较结果与一个单一的网络。网络的实验评估表明，Dice得分为0.73，实现了一个单一的网络和0.79，在获得多个网络。
2018-09-20 cs.CV eess.IV
BrainNormalizer: Anatomy-Informed Pseudo-Healthy Brain Reconstruction from Tumor MRI via Edge-Guided ControlNet
University of Pittsburgh（匹兹堡大学）；Georgia Institute of Technology（佐治亚理工学院）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Cedars-Sinai Medical Center（西德萨斯医疗中心）；Mayo Clinic Arizona（梅奥诊所亚利桑那分部）
针对脑肿瘤致结构变形难区分肿瘤与解剖变异问题，提出BrainNormalizer框架，用两阶段训练学习解剖先验等，通过特定策略实现伪健康脑重建，实验表明其有优势。
2026-07-07 cs.CV eess.IV
Redundancy Reduction in Semantic Segmentation of 3D Brain Tumor MRIs
NVIDIA（英伟达）
2021年的多模式脑肿瘤分割挑战（BraTS）提供了更大的数据集，以促进脑肿瘤分割方法的合作和研究，这是疾病分析和治疗计划所必需的。BraTS 2021的大数据集大小和现代GPU的出现为基于深度学习的方法从数据中学习肿瘤表示提供了更好的机会。在这项工作中，我们维护了一个基于编码器-解码器的分割网络，但重点是修改网络训练过程，以最大限度地减少扰动下的冗余。给定一组训练好的网络，我们进一步引入基于置信度的集成技术来进一步提高性能。我们在BraTS 2021验证板上对该方法进行了评估，增强肿瘤核心、肿瘤核心和整个肿瘤的平均dice分别为0.8600、0.8868和0.9265。我们的团队（NVESTs）提交的ET和TC分数表现最好，WT分数表现最好的10个团队之一。
2021-11-01 cs.CV eess.IV
Multi-Classification of Brain Tumor Images Using Transfer Learning Based Deep Neural Network
Chittagong University of Engineering and Technology（吉大港工程技术大学）
在最近的进展，以计算机为基础的诊断系统，脑肿瘤图像的分类是一个具有挑战性的任务。本文主要研究基于迁移学习的深度神经网络对脑肿瘤图像的分类精度。该分类方法开始与图像增强操作，包括旋转，缩放，hori-zombie翻转，宽度移位，高度移位，和剪切，以增加图像数据集的多样性。然后，基于由Inception-v3组成的预训练的迁移学习方法提取输入脑肿瘤图像的一般特征。最后，使用具有4个定制层的深度神经网络对脑膜瘤、胶质瘤和垂体瘤等最常见的脑肿瘤类型进行分类。该模型获得了有效的性能，总体准确率为96.25%，这是大大提高了一些现有的多分类方法。然而，超参数的微调和Inception-v3模型中包含的自定义DNN导致分类精度的提高。
2022-06-17 cs.CV eess.IV
Multiclass MRI Brain Tumor Segmentation using 3D Attention-based U-Net
Strathmore University（斯特拉斯莫尔大学）
提出一种3D注意力U-Net，利用多模态MRI堆叠体积进行脑肿瘤多区域分割，在BraTS 2021数据集上提升准确性并降低计算资源消耗。
2023-05-10 cs.CV eess.IV
Automatic Brain Tumor Segmentation with Scale Attention Network
Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
脑肿瘤的自动分割是提取定量成像生物标志物以进行准确肿瘤检测、诊断、预后、治疗计划和评估的重要但具有挑战性的步骤。多模态脑肿瘤分割挑战2020（BraTS 2020）提供了一个通用平台，用于比较多参数磁共振成像（mpMRI）在以下任务中的不同自动算法：1）脑肿瘤分割MRI扫描; 2）根据术前MRI扫描预测患者总生存期（OS）; 3）将真实肿瘤复发与治疗相关效应区分开，以及4）评估分割中的不确定性测量。我们通过开发基于编码器-解码器架构的全自动分割网络来参与图像分割挑战。为了更好地整合不同尺度的信息，我们提出了一种动态尺度注意机制，该机制将不同尺度的特征图的低级细节与高级语义相结合。我们的框架使用BraTS 2020提供的369个挑战训练案例进行训练，并实现了平均Dice相似系数（DSC）为0.8828，0.8433和0.8177，以及95%的Hausdorff距离在166个测试病例中，全肿瘤、肿瘤核心和增强肿瘤的平均直径（毫米）分别为5.2176、17.9697和13.4298，在BraTS 2020挑战赛的693个注册中排名第三。
2020-11-25 cs.CV eess.IV
HNF-Netv2 for Brain Tumor Segmentation using multi-modal MR Imaging
Research & Development Institute of Northwestern Polytechnical University in Shenzhen（西北工业大学深圳研究院）；Northwestern Polytechnical University（西北工业大学）；University of Pittsburgh（匹兹堡大学）；University of Sydney（悉尼大学）；JD Finance America Corporation（京东金融美国公司）
在我们以前的工作中，$i.e.$，HNF-网络，高分辨率的特征表示和轻量级的非局部自注意机制，利用多模态MR成像脑肿瘤分割。在本文中，我们将我们的HNF-网络扩展到HNF-Netv 2，通过添加尺度间和尺度内语义区分增强块，进一步利用全局语义区分所获得的高分辨率特征。我们在多模态脑肿瘤分割挑战（BraTS）2021数据集上训练和评估了我们的HNF-Netv 2。测试集上的结果显示，我们的HNF-Netv 2对于增强肿瘤、肿瘤核心和整个肿瘤分别实现了0.878514、0.872985和0.924919的平均Dice分数以及8.9184、16.2530和4.4895的Hausdorff距离（$95\%$）。我们的方法赢得了RSNA 2021脑肿瘤AI挑战奖（分割任务），在所有1250个提交的结果中排名第8。
2022-02-10 cs.CV eess.IV
Synthesis of Brain Tumor MR Images for Learning Data Augmentation
Korea Advanced Institute of Science and Technology (KAIST)（韩国高等科学技术研究院（KAIST））
使用深度神经网络的医学图像分析已经得到了积极的研究。深度神经网络通过学习数据进行训练。为了准确训练深度神经网络，学习数据应该足够，质量好，并且应该具有通用性。然而，在医学图像中，由于患者招募的困难、专家对病变的注释负担以及对患者隐私的侵犯，很难获得足够的患者数据。相比之下，健康志愿者的医学图像可以很容易地获得。使用健康的大脑图像，所提出的方法合成多对比度的脑肿瘤的磁共振图像。由于肿瘤具有复杂的特征，因此所提出的方法将其简化为易于控制的同心圆。然后，它通过深度神经网络将同心圆转换为肿瘤的各种现实形状。由于大量的健康脑图像是容易获得的，我们的方法可以合成大量的脑肿瘤图像与各种同心圆。我们进行了定性和定量分析，以评估所提出的方法的增强数据的有用性。直观和有趣的实验结果可在https://github.com/KSH0660/BrainTumor上在线获得
2020-03-17 cs.CV eess.IV
A Review on End-To-End Methods for Brain Tumor Segmentation and Overall Survival Prediction
Pandit Deendayal Petroleum University（潘迪特·迪恩代尔石油大学）
脑肿瘤分割旨在从健康脑组织中描绘肿瘤组织。肿瘤组织包括坏死、瘤周水肿和活动性肿瘤。相反，健康的脑组织包括白质、灰质和脑脊液。基于MRI的脑肿瘤分割研究越来越受欢迎; 1.它不像X射线或计算机断层扫描成像那样照射电离辐射。2.它能产生身体内部结构的详细图像。MRI扫描被输入到基于深度学习的方法中，这些方法对自动脑肿瘤分割非常有用。来自片段的特征被馈送到分类器，该分类器预测患者的总体存活。本文的目的是对脑肿瘤分割和总体生存预测的最新技术进行广泛的概述。
2020-05-31 cs.CV cs.LG eess.IV
Automated Ensemble-Based Segmentation of Adult Brain Tumors: A Novel Approach Using the BraTS AFRICA Challenge Data
Manning College of Information and Computer Sciences, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校曼宁信息与计算机科学学院）；Baystate Medical Center（贝斯州医疗中心）；UMass Chan Medical School - Baystate Campus（马萨诸塞大学陈医学院贝斯州校区）
本文面向撒哈拉以南非洲成人患者，提出融合 UNet3D、ONet3D、SphereNet3D 及改进损失函数的十一模型集成脑肿瘤分割方法，在 BraTS AFRICA 数据上取得优于单模型的分割性能。
2023-08-14 cs.CV eess.IV
On Enhancing Brain Tumor Segmentation Across Diverse Populations with Convolutional Neural Networks
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文针对跨人群脑肿瘤自动分割问题，以MedNeXt为基线并结合模型集成与后处理，在BraTS-GoAT挑战中取得平均DSC 85.54%和HD95 27.88的结果。
2024-05-05 cs.CV eess.IV
M-GenSeg: Domain Adaptation For Target Modality Tumor Segmentation With Annotation-Efficient Supervision
Ecole Polytechnique de Montréal（蒙特利尔综合理工学院）；Paige（Paige公司）；Centre de Recherche du CHUM（蒙特利尔大学医院研究中心）
提出半监督生成训练策略M-GenSeg，通过解耦肿瘤与背景及跨模态图像转换，利用源模态标注实现目标模态肿瘤分割，在BraTS 2020上Dice分数优于基线且支持部分标注。
2023-07-30 cs.CV eess.IV
Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution
Université Paris-Saclay（巴黎-萨克雷大学）；Institut Gustave Roussy（古斯塔夫·鲁西研究所）；Inserm（法国国家健康与医学研究院）；Therapanacea
脑肿瘤分割是患者疾病管理的关键任务。为了自动化和标准化这项任务，我们在多模式脑肿瘤分割挑战（BraTS）2020训练数据集上训练了多个类似U网的神经网络，主要是深度监督和随机权重平均。来自两个不同训练管道的两个独立的模型集合被训练，并且每个模型集合产生脑肿瘤分割图。然后合并每个患者的这两个标记图，考虑到每个集合对于特定肿瘤亚区的性能。我们在测试时间增加的在线验证数据集上的表现如下：Dice为0.81、0.91和0.85;对于增强肿瘤、整个肿瘤和肿瘤核心，Hausdorff（95%）分别为20.6、4、3、5.7 mm。同样，我们的解决方案在最终测试数据集上获得了0.79、0.89和0.84的Dice，以及20.4、6.7和19.5mm的Hausdorff（95%），使我们跻身前十名。研究了更复杂的训练方案和神经网络结构，但没有显著的性能增益，代价是大大增加了训练时间。总的来说，我们的方法在每个肿瘤亚区产生了良好和平衡的性能。我们的解决方案在https://github.com/lescientifik/open_brats2020上开源。
2020-11-27 cs.CV eess.IV
Dilated Inception U-Net (DIU-Net) for Brain Tumor Segmentation
Rowan University（罗文大学）；University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）
磁共振成像（MRI）通常用于脑肿瘤诊断、治疗计划和治疗后监测。最近，已经提出了各种基于深度神经网络的模型，用于脑MRI中肿瘤的像素级分割。然而，MRI中的结构变化、空间差异和强度不均匀性使得分割成为一项具有挑战性的任务。我们提出了一个新的端到端的脑肿瘤分割架构的基础上U-Net，集成Inception模块和扩张卷积到其收缩和扩展路径。这使我们能够提取局部结构以及全局上下文信息。我们使用Brain Tumor Segmentation（BraTS）2018数据集对胶质瘤子区域进行了分割，包括肿瘤核心、增强肿瘤和整个肿瘤。我们提出的模型在肿瘤核心和整个肿瘤分割方面的表现明显优于最先进的基于U-Net的模型（$p<0.05$）。
2021-08-15 cs.CV cs.LG eess.IV
Hybrid Window Attention Based Transformer Architecture for Brain Tumor Segmentation
Monash University（莫纳什大学）
由于MRI体积的强度在不同机构之间不一致，因此必须提取多模态MRI的通用特征以精确分割脑肿瘤。在这个概念中，我们提出了一个体积Vision Transformer，它遵循两个窗口策略，用于在模型训练期间提取精细特征和局部分布平滑度（LDS），这两个策略受到虚拟对抗训练（VAT）的启发，使模型鲁棒。我们在FeTS Challenge 2022数据集上训练和评估了网络架构。我们在在线验证数据集上的表现如下：Dice相似性评分为81.71%、91.38%和85.40%;增强肿瘤、整个肿瘤和肿瘤核心的Hausdorff距离（95%）分别为14.81 mm、3.93 mm、11.18 mm。总体而言，实验结果验证了我们的方法的有效性，产生更好的性能在每个肿瘤子区域的分割精度。我们的代码实现是公开的：https://github.com/himashi92/vizviva_fets_2022
2022-09-16 cs.CV eess.IV
A Novel SLCA-UNet Architecture for Automatic MRI Brain Tumor Segmentation
University of Visvesvaraya College of Engineering（维什瓦拉亚工程学院大学）；Bangalore University（班加罗尔大学）
针对传统UNet在脑肿瘤MRI分割中的精度与上下文建模不足，提出融合残差密集块及分层、通道注意力的SLCA-UNet，并在BraTS 2020上取得优异指标。
2023-07-16 cs.CV eess.IV
NestedFormer: Nested Modality-Aware Transformer for Brain Tumor Segmentation
Tianjin University（天津大学）；The University of Hong Kong（香港大学）；Huanhu Hospital（环湖医院）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
多模态MR成像在临床实践中常规用于通过提供丰富的互补信息来诊断和研究脑肿瘤。以前的多模态MRI分割方法通常通过在网络的早期/中期连接多模态MRI来执行模态融合，这几乎不探索模态之间的非线性依赖关系。在这项工作中，我们提出了一种新的嵌套模态感知的Transformer（NestedFormer）明确探索内模态和模态间的关系，多模态MRI脑肿瘤分割。建立在基于变换的多编码器和单解码器结构上，我们对不同模态的高级表示进行嵌套多模态融合，并在较低尺度上应用模态敏感门控（MSG）以实现更有效的跳过连接。具体而言，多模态融合进行我们提出的嵌套模态感知特征聚合（NMaFA）模块，增强长期依赖性的个人模态通过三向空间注意力Transformer，并进一步补充关键上下文信息之间的模态通过跨模态注意力Transformer。在BraTS 2020基准和私人脑膜瘤分割（MeniSeg）数据集上进行的大量实验表明，NestedFormer的性能明显优于最先进的技术。该代码可在https://github.com/920232796/NestedFormer上获得。
2022-08-31 cs.CV eess.IV
Enhancing Brain Tumor Segmentation Using Channel Attention and Transfer learning
University of Tehran（德黑兰大学）；Texas Tech University（德克萨斯理工大学）；University of Michigan Health System（密歇根大学医疗系统）
本研究提出一种集成EfficientNetB0编码器、通道注意力与ASPP的增强ResUNet模型，用于脑肿瘤分割，在BraTS 2020上取得优异Dice系数，优于基线方法。
2025-01-19 cs.CV eess.IV
Joint brain tumor segmentation from multi MR sequences through a deep convolutional neural network
University of Isfahan（伊斯法罕大学）；Geneva University Hospital（日内瓦大学医院）
脑肿瘤分割在诊断和治疗计划中具有很高的贡献。手动脑肿瘤描绘是一项耗时且繁琐的任务，并且取决于放射科医师的技能。脑肿瘤的自动分割是非常重要的，并且不依赖于观察间或观察内。本研究的目的是通过深度学习方法，从FLAIR、T1加权、T2加权和T1加权对比增强MR序列中自动描绘脑肿瘤，重点是确定哪种MR序列单独或其组合将导致其中的最高准确度。
2022-03-07 cs.CV eess.IV physics.med-ph
Brain Tumor Classification From MRI Images Using Machine Learning
PSG College of Technology（PSG技术学院）
针对脑肿瘤早期检测与分类的临床需求，本项目提出开发基于集成学习的机器学习预测系统，用于从MRI图像中定位并分类脑肿瘤，助力精准诊断与治疗规划。
2024-07-15 cs.CV cs.LG eess.IV
Dense Error Map Estimation for MRI-Ultrasound Registration in Brain Tumor Surgery Using Swin UNETR
Concordia University（康考迪亚大学）
针对脑肿瘤手术中MRI与术中超声配准结果人工评估难的问题，提出基于Swin UNETR的深度学习框架，自动评估三维块级密集误差图，首次用真实临床数据验证性能。
2023-08-21 cs.CV eess.IV
Magnetic Resonance Imaging Feature-Based Subtyping and Model Ensemble for Enhanced Brain Tumor Segmentation
Universidad Politécnica de Madrid（马德里理工大学）；CIBER-BBN, ISCIII（西班牙健康研究所生物工程、生物材料与纳米生物医学研究中心）；George Washington University（乔治·华盛顿大学）
针对BraTS 2024挑战赛中多参数MRI脑肿瘤异质性分割难题，提出结合最先进模型的深度学习集成方法，并引入基于MRI影像组学的自适应预处理与后处理技术以区分肿瘤亚型，在PED、MEN-RT和MET测试集上取得了优异的分割性能与泛化能力。
2024-12-20 cs.CV eess.IV
Brain Tumor Classification using Vision Transformer with Selective Cross-Attention Mechanism and Feature Calibration
K.N. Toosi University of Technology（霍梅尼国际大学（K.N. Toosi理工大学））；Indiana University-Purdue University（印第安纳大学-普渡大学）；Shahed university（沙希德大学）；University of Cincinnati（辛辛那提大学）
针对脑肿瘤分类这一医学图像分析挑战，提出结合特征校准机制（FCM）和选择性交叉注意力（SCA）的视觉Transformer方法，提升准确性与效率，机制可集成至其他Transformer架构，性能超越现有方法。
2024-11-25 cs.CV eess.IV
A Prior Knowledge Based Tumor and Tumoral Subregion Segmentation Tool for Pediatric Brain Tumors
St. Jude Children’s Research Hospital（圣犹达儿童研究医院）
在过去的几年里，深度学习（DL）模型引起了人们的极大关注，并在脑肿瘤和子区域分割任务上表现出优异的性能。然而，成功仅限于成人胶质瘤的分割，其中已经收集了足够的数据，手动标记，并发布用于训练DL模型。由于儿童胶质瘤的形态与成人胶质瘤不同，因此儿童胶质瘤的分割仍具有挑战性。因此，直接将预保留的DL模型应用于儿科数据通常会产生不可接受的结果。由于儿科数据非常有限，无论是标记的还是未标记的，我们提出了一个基于知识而不是从数据中学习的脑肿瘤分割模型。我们还提供了超异质性肿瘤，如非典型畸胎样横纹肌样瘤（ATRT）的分割更多的亚区。当训练数据不可用于迁移学习时，我们提出的方法在整个肿瘤和子区域分割任务上表现出优于基于儿科数据的DL模型的性能。
2021-09-30 cs.CV cs.LG eess.IV
Memory efficient brain tumor segmentation using an autoencoder-regularized U-Net
Kavli Institute for Systems Neuroscience, NTNU（挪威科技大学卡弗里系统神经科学研究所）
脑肿瘤的早期诊断和准确分割是治疗成功的关键。不幸的是，手动分割是耗时的，昂贵的，尽管有广泛的人类专业知识，但通常是不准确的。在这里，我们使用自动编码器正则化的3D卷积神经网络提出了一个基于MRI的肿瘤分割框架。我们在335名患有不同严重程度、大小和位置肿瘤的患者的手动分割结构T1、T1 ce、T2和Flair MRI图像上训练模型。然后，我们使用125名患者的独立数据对模型进行了测试，并成功地将脑肿瘤分割为三个子区域：肿瘤核心（TC），增强肿瘤（ET）和整个肿瘤（WT）。我们还探索了几个数据增强和预处理步骤，以提高分割性能。重要的是，我们的模型是在一个NVIDIA GTX 1060图形单元上实现的，因此可以优化肿瘤分割，以获得广泛负担得起的硬件。总之，我们提出了一个内存效率和负担得起的解决方案，肿瘤分割，以支持肿瘤脑病理的准确诊断。
2019-10-04 cs.CV eess.IV q-bio.NC
Brain tumor detection using artificial convolutional neural networks
Universidad Autónoma de Chihuahua（奇瓦瓦自治大学）
在本文中，卷积神经网络（CNN）被用来分类的核磁共振图像的人脑与4种不同类型的肿瘤：脑膜瘤，胶质瘤和垂体瘤。在本项目的训练阶段，准确率为100%，同时，在评估阶段的精度为96%。
2022-06-22 cs.CV cs.LG eess.IV
Automatic Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks
Data Science Institute, Imperial College London（伦敦帝国理工学院数据科学研究所）；National Heart and Lung Institute, Imperial College London（伦敦帝国理工学院国家心肺研究所）
脑肿瘤治疗计划和定量评估的一个主要挑战是确定肿瘤范围。无创磁共振成像（MRI）技术已成为无电离辐射脑肿瘤的一线诊断工具。从3D MRI体积中手动分割脑肿瘤范围是一项非常耗时的任务，并且性能高度依赖于操作者的经验。在这种情况下，一个可靠的全自动分割方法的脑肿瘤分割是必要的肿瘤范围的有效测量。在这项研究中，我们提出了一种全自动的脑肿瘤分割方法，该方法使用基于U-Net的深度卷积网络开发。我们的方法在多模态脑肿瘤图像分割（BRATS 2015）数据集上进行了评估，该数据集包含220个高级别脑肿瘤和54个低级别肿瘤病例。交叉验证表明，我们的方法可以有效地获得有前途的分割。
2017-06-03 cs.CV
United adversarial learning for liver tumor segmentation and detection of multi-modality non-contrast MRI
Shandong Normal University（山东师范大学）；Western University（韦仕敦大学）
利用多模态非对比剂磁共振成像（NCMRI）对肝脏肿瘤（血管瘤和肝细胞癌（HCC））进行同步分割和检测对于临床诊断至关重要。然而，由于NCMRI图像中HCC信息的不可见性或不充分性，使得肝肿瘤特征提取困难;多模态NCMRI图像特征的多样性，使得特征融合和选择困难; NCMRI图像中血管瘤和HCC之间缺乏特异性信息，使得肝肿瘤检测困难，这仍然是一项具有挑战性的任务。在这项研究中，我们提出了一个联合对抗学习框架（UAL），用于使用多模态NCMRI同时进行肝脏肿瘤分割和检测。UAL首先利用多视图感知编码器来提取用于肝脏肿瘤分割和检测的多模态NCMRI信息。在该编码器中，一个新的边缘相异性特征金字塔模块的设计，以促进互补的多模态特征提取。其次，利用新设计的融合选择通道对多模态特征进行融合，并做出特征选择决策。然后，提出的坐标共享与填充机制集成了分割和检测的多个任务，使多个任务能够在一个时间内执行联合对抗学习。最后，一种创新的多阶段放射组学引导的神经网络利用明确和具体的肿瘤信息，通过对抗性学习策略来提高多任务性能。在255名临床受试者的相应多模态NCMRI（即T1 FS预增强MRI、T2 FS MRI和DWI）和三期对比增强MRI中确认了UAL。实验结果表明，UAL在肝脏肿瘤的临床诊断中具有很大的潜力。
2022-01-07 cs.AI cs.CV eess.IV
