[论文解读] Automatic Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks

Hao Dong, Guang Yang+3 more|arXiv (Cornell University)|May 10, 2017

Brain Tumor Detection and Classification参考文献 20被引用 4

一句话总结

本文提出一种基于U-Net的全卷积神经网络，用于多模态MRI扫描中全自动的脑肿瘤分割。在BRATS 2015数据集上，采用2D U-Net架构并结合数据增强进行训练，该方法在高分级胶质瘤（HGG）病例中实现了高精度分割——完整肿瘤的DSC为0.85，核心肿瘤的DSC为0.67，同时每个病例的处理时间仅为2–3秒，其效率和鲁棒性优于先前的方法。

ABSTRACT

A major challenge in brain tumor treatment planning and quantitative evaluation is determination of the tumor extent. The noninvasive magnetic resonance imaging (MRI) technique has emerged as a front-line diagnostic tool for brain tumors without ionizing radiation. Manual segmentation of brain tumor extent from 3D MRI volumes is a very time-consuming task and the performance is highly relied on operator's experience. In this context, a reliable fully automatic segmentation method for the brain tumor segmentation is necessary for an efficient measurement of the tumor extent. In this study, we propose a fully automatic method for brain tumor segmentation, which is developed using U-Net based deep convolutional networks. Our method was evaluated on Multimodal Brain Tumor Image Segmentation (BRATS 2015) datasets, which contain 220 high-grade brain tumor and 54 low-grade tumor cases. Cross-validation has shown that our method can obtain promising segmentation efficiently.

研究动机与目标

• 开发一种全自动、客观且可重复的3D MRI扫描脑肿瘤分割方法，以克服人工分割的局限性。
• 应对在多模态MRI序列中肿瘤大小、形状、位置和表现形式高度可变的挑战。
• 提升高分级胶质瘤（HGG）和低分级胶质瘤（LGG）的分割效率与精度，尤其针对核心区域和完整肿瘤区域。
• 为治疗规划、监测和诊断提供可靠、可扩展且临床可用的肿瘤分割方法。

提出的方法

• 采用编码器-解码器结构的2D U-Net架构，处理3D MRI体积的轴向切片，实现高效的训练与推理。
• 使用多通道输入，整合T1、T1c、T2和FLAIR MRI序列，以利用互补的组织对比信息。
• 应用广泛的图像增强技术，包括旋转、翻转、缩放和弹性形变，以提升泛化能力并减少过拟合。
• 采用二元交叉熵损失函数并结合Sigmoid激活函数，端到端训练以预测像素级的肿瘤概率图。
• 在推理阶段采用滑动窗口策略，以处理大体积数据，在尊重GPU显存限制的同时保留完整的空间上下文信息。
• 通过连通域分析和形态学操作进行后处理，以优化分割掩码。

实验结果

研究问题

• RQ1 基于U-Net的全卷积网络是否能在多种肿瘤类型和成像对比度下实现稳健且精确的脑肿瘤分割？
• RQ2 在BRATS 2015基准测试中，该方法与最先进方法相比，在分割精度和推理速度方面表现如何？
• RQ3 数据增强在有限的医学影像数据集上在多大程度上提升了泛化能力和性能？
• RQ4 该模型是否能有效分割增强性和非增强性肿瘤区域，特别是在对比增强效果差的低分级胶质瘤中？

主要发现

• 在BRATS 2015测试集上，高分级胶质瘤（HGG）病例中，完整肿瘤的Dice相似系数（DSC）达到0.85，核心肿瘤的DSC为0.67。
• 对于低分级胶质瘤（LGG）病例，完整肿瘤的DSC达到0.72，核心肿瘤的DSC为0.58，尽管边界具有挑战性，仍表现出强劲性能。
• 该模型每个3D MRI病例的处理时间仅为2–3秒，显著优于先前方法中每例25秒至8分钟的处理时间。
• 交叉验证显示各折之间性能一致，且在BRATS 2015排行榜上与最先进方法相比表现具有竞争力。
• 该方法在核心肿瘤分割方面优于多个先前方法，尤其在HGG病例中表现更优。
• 尽管在LGG中增强肿瘤分割仍存在局限，作者建议通过联合使用HGG数据进行训练，可进一步提升性能。