[论文解读] Automatic Brain Tumour Segmentation and Biophysics-Guided Survival Prediction

Shuo Wang, Chengliang Dai+4 more|arXiv (Cornell University)|Nov 19, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 17被引用 6

一句话总结

本文提出了一种基于3D U-Net和注意力机制的深度学习框架，用于多参数MRI上的自动脑肿瘤分割，随后结合基于生物物理学的预后模型，利用从扩散方程推导出的肿瘤侵袭性特征进行预测。该方法在MICCAI 2019 BraTS生存预测挑战赛中获得第二名，测试准确率为0.56，通过引入具有生理学可解释性的特征，优于数据驱动的放射组学方法。

ABSTRACT

Gliomas are the most common malignant brain tumourswith intrinsic heterogeneity. Accurate segmentation of gliomas and theirsub-regions on multi-parametric magnetic resonance images (mpMRI)is of great clinical importance, which defines tumour size, shape andappearance and provides abundant information for preoperative diag-nosis, treatment planning and survival prediction. Recent developmentson deep learning have significantly improved the performance of auto-mated medical image segmentation. In this paper, we compare severalstate-of-the-art convolutional neural network models for brain tumourimage segmentation. Based on the ensembled segmentation, we presenta biophysics-guided prognostic model for patient overall survival predic-tion which outperforms a data-driven radiomics approach. Our methodwon the second place of the MICCAI 2019 BraTS Challenge for theoverall survival prediction.

研究动机与目标

• 通过深度学习改进多参数MRI中胶质瘤亚区（NCR、NET、ET、ED）的自动分割。
• 开发一种结合生物物理原理与影像特征的稳健生存预测模型。
• 克服数据驱动放射组学方法的局限性，如可重复性差和可解释性不足。
• 通过在特征工程中引入肿瘤生长动力学，提升预后预测的准确性。
• 在BraTS 2019数据集上验证模型，并与最先进方法进行基准对比。

提出的方法

• 在BraTS 2019数据集上，使用T1、T1Gd、T2和T2-FLAIR序列训练3D U-Net和带注意力门控的3D U-Net（UNet-AT），用于肿瘤亚区分割。
• 通过z分数标准化和数据增强（旋转、翻转、缩放）提升泛化能力。
• 采用集成学习方法，结合多个模型以降低偏差并提高分割鲁棒性。
• 定义了包括肿瘤体积、边界长度以及从肿瘤生长扩散方程推导出的影像学侵袭性系数（RIC）在内的肿瘤特征。
• 基于年龄和RIC构建生物物理学引导的预后预测模型，采用线性回归进行生存时间预测。
• 通过交叉验证和独立测试集进行特征选择与模型评估。

实验结果

研究问题

• RQ1 注意力机制与优化损失函数是否能提升多参数MRI上3D脑肿瘤分割的性能？
• RQ2 基于生物物理学的特征（RIC）是否在胶质母细胞瘤患者的生存预测中优于数据驱动的放射组学特征？
• RQ3 基于生理学的可解释性模型是否能实现优于纯数据驱动方法的泛化能力？
• RQ4 在生存预测中引入肿瘤边界动态（侵袭性）是否能提升预测准确性？
• RQ5 模型集成与后处理对分割及下游预测性能有何影响？

主要发现

• 3D U-Net与UNet-AT模型的集成在分割性能上表现优异，尽管在BraTS 2019测试集中未进入前三名。
• 基于生物物理学的侵袭性模型在测试集上准确率达到0.56，在MICCAI 2019 BraTS生存预测挑战赛中排名第二。
• 在独立验证集上，该侵袭性模型优于基线模型（准确率0.45）和数据驱动的放射组学模型（准确率0.48）。
• 从扩散方程推导出的RIC特征比161个放射组学特征更具预测力，凸显了生物物理先验的价值。
• 放射组学模型泛化能力较差，其均方误差（MSE）和均方误差标准误（mSE）高于侵袭性模型，表明存在过拟合风险。
• 残差分布呈偏态，对短生存期和长生存期患者的预测误差较大，提示未来工作需考虑加权损失函数或数据变换。