[论文解读] A Novel Mask R-CNN Model to Segment Heterogeneous Brain Tumors through Image Subtraction

Sanskriti Singh|arXiv (Cornell University)|Apr 4, 2022

Brain Tumor Detection and Classification被引用 6

一句话总结

本文提出了一种新型的Mask R-CNN模型，通过引入图像相减技术以提升MRI扫描中异质性脑肿瘤的分割性能。在将T1增强前（T1）与T1增强后（T1gd）图像相减后输入到在RSNA肺炎数据集上预训练的ResNet-18主干网络，该模型在BraTS2020测试集上取得了0.75的DICE系数，优于不使用相减的基线模型（0.69）。

ABSTRACT

The segmentation of diseases is a popular topic explored by researchers in the field of machine learning. Brain tumors are extremely dangerous and require the utmost precision to segment for a successful surgery. Patients with tumors usually take 4 MRI scans, T1, T1gd, T2, and FLAIR, which are then sent to radiologists to segment and analyze for possible future surgery. To create a second segmentation, it would be beneficial to both radiologists and patients in being more confident in their conclusions. We propose using a method performed by radiologists called image segmentation and applying it to machine learning models to prove a better segmentation. Using Mask R-CNN, its ResNet backbone being pre-trained on the RSNA pneumonia detection challenge dataset, we can train a model on the Brats2020 Brain Tumor dataset. Center for Biomedical Image Computing & Analytics provides MRI data on patients with and without brain tumors and the corresponding segmentations. We can see how well the method of image subtraction works by comparing it to models without image subtraction through DICE coefficient (F1 score), recall, and precision on the untouched test set. Our model performed with a DICE coefficient of 0.75 in comparison to 0.69 without image subtraction. To further emphasize the usefulness of image subtraction, we compare our final model to current state-of-the-art models to segment tumors from MRI scans.

研究动机与目标

• 通过深度学习提高异质性MRI扫描中脑肿瘤分割的准确性。
• 解决临床实践中T1、T1gd、T2和FLAIR序列中肿瘤表现多变的挑战。
• 评估图像相减作为预处理步骤对分割性能的影响。
• 使用标准指标（如DICE、精确率和召回率）将所提模型与基线模型及最先进方法进行比较。

提出的方法

• 该模型采用在RSNA肺炎检测数据集上预训练的ResNet-18主干网络进行特征提取的Mask R-CNN架构。
• 在T1与T1gd MRI序列之间应用图像相减，以突出对比增强的肿瘤区域。
• 将相减后的图像对作为输入，用于Mask R-CNN模型对脑肿瘤进行实例分割。
• 该模型在包含多序列MRI扫描和专家标注分割的BraTS2020数据集上进行训练与评估。
• 训练过程利用迁移学习和在BraTS2020验证集与测试集上的微调。
• 性能通过标准指标（DICE系数、精确率和召回率）在未触碰的测试集上进行评估。

实验结果

研究问题

• RQ1 在Mask R-CNN框架中，T1与T1gd MRI序列之间的图像相减是否能提升肿瘤分割性能？
• RQ2 与不使用图像相减的基线Mask R-CNN相比，所提模型在DICE系数和分割指标上的表现如何？
• RQ3 图像相减与来自预训练模型的迁移学习相结合，是否能增强在异质性脑肿瘤分割任务中的泛化能力？
• RQ4 在BraTS2020基准上，该方法相对于最先进模型的表现如何？

主要发现

• 所提模型在BraTS2020测试集上取得了0.75的DICE系数，显著优于不使用图像相减的基线模型（0.69）。
• 与基线模型相比，该模型表现出更高的精确率和召回率，表明肿瘤边界检测更加准确且完整。
• 图像相减有效增强了肿瘤对比度，使模型能够更好地将增强肿瘤区域与周围组织区分开来。
• 利用来自RSNA肺炎检测数据集的迁移学习，改善了特征学习并加快了脑肿瘤分割任务中的模型收敛。
• 该模型在所有评估指标上均优于基线模型，验证了图像相减预处理步骤的有效性。
• 结果表明，该方法在BraTS2020背景下具有与最先进方法相当的竞争力。