脑胶质瘤分割的上下文感知网络

神经网络结构概况

脑胶质瘤分割的上下文感知网络研究报告

脑胶质瘤是一种常见的成人脑肿瘤,它对健康有严重的损害,并且具有高死亡率。为了提供早期诊断、手术规划和术后观察的充分证据,多模态磁共振成像(MRI)已经广泛应用于该领域。本文研究的目的是在脑胶质瘤的自动化分割中纳入上下文信息,这在处理局部模糊性方面提供了基本线索。

研究背景

先前的研究表明,基于深度神经网络的方法在脑胶质瘤分割中显示了很有希望的技术。然而,这些方法缺乏强有力的策略来结合肿瘤细胞及其周围的上下文信息。已有的自动分割方法虽然提高了分割精度,但仍然存在局部模糊性问题,没有充分考虑肿瘤细胞与其周围环境的关系。

论文来源

该研究由Zhihua Liu, Lei Tong, Long Chen, Feixiang Zhou, Zheheng Jiang, Qianni Zhang, Yinhai Wang, Caifeng Shan, Ling Li和Huiyu Zhou共同撰写,发表于《IEEE Transactions on Medical Imaging》,发表于2021年7月。

研究流程

本文提出了一种新颖的方法称为上下文感知网络(Context aware network, Canet)用于脑胶质瘤的分割。主要工作流程包括以下几个步骤:

1. 数据准备

研究中使用了公开可访问的脑胶质瘤分割数据集BRATS2017、BRATS2018和BRATS2019。这些数据集包含了多模态MRI图像,包括T1、T1对比增强(T1CE)、T2和液体衰减反转恢复(FLAIR)序列。

2. 设计整体网络架构

  • 编码器和解码器: 使用一个带有跳跃连接的编码器和解码器结构。编码器用于减少特征图的空间维度,而扩展路径恢复特征图的空间维度并恢复目标的细节。
  • 特征交互图: 构建特征交互图以捕捉特征节点之间的长距离关系,利用图卷积来传递和更新节点特征。

3. 特征融合

设计了一种基于条件随机场的特征融合模型,称为上下文引导的注意条件随机场(Context Guided Attentive Conditional Random Field, CGA-CRF),有效地学习最优的潜在特征进行最终分割。CGA-CRF利用均值场近似方法,将其公式化为卷积操作,使其能够与任何神经网络无缝集成,进行端到端训练。

4. 上下文引导的特征提取

  • 图上下文: 投影和自适应采样,通过构建一个交互图,学习特征节点之间的关系。
  • 卷积上下文: 使用编码器和解码器结构,通过深度监督机制改进训练。

5. 实验评估

进行了广泛的实验评估,比较了所提出的方法与现有最先进方法在不同分割指标下的表现。实验结果表明,所提出的算法在训练和验证集上的分割性能优于或与几种最先进的方法具有竞争力。

主要结果

通过对BRATS数据集进行评估,得出了以下主要结果:

  • Dice得分: Canet在整个肿瘤和肿瘤核心的Dice得分分别为0.903和0.873,显著高于其他方法。
  • Hausdorff95距离: 在整个肿瘤和肿瘤核心上,Canet的Hausdorff95距离分别为3.569和4.036,均低于其他方法。

结论

本文提出的一种脑胶质瘤分割的新方法,通过引入特征交互图并结合上下文信息,能够显著提高分割精度和性能。主要贡献如下:

  1. 提出了一个新的脑胶质瘤分割方法,把特征交互图作为一个并行辅助分支,以模型化胶质瘤细胞与其周围环境的关系。
  2. 定制的上下文引导注意条件随机场(CGA-CRF)框架将中间特征表征进一步利用和聚合。
  3. 通过广泛的评估表明,我们提出的方法在多模态脑肿瘤图像分割挑战数据集(BRATS2017、BRATS2018和BRATS2019)上优于几种最先进的方法。

实验结果表明,提出的上下文感知网络(Canet)在分割任务中表现优异。未来的研究可以考虑结合新的训练方法,以更好地处理数据集中的不平衡问题。