[论文解读] A Prior Knowledge Based Tumor and Tumoral Subregion Segmentation Tool for Pediatric Brain Tumors

Silu Zhang, Angela Edwards+4 more|arXiv (Cornell University)|Sep 30, 2021

Brain Tumor Detection and Classification参考文献 6被引用 5

一句话总结

该论文提出了一种基于知识的儿科脑肿瘤分割工具，特别针对ATRT、DIPG和LGG，通过利用解剖学和影像学先验知识而非训练数据来绕过深度学习。与预训练的深度学习模型相比，该方法在整体肿瘤分割方面表现更优，并能实现现有深度学习模型不支持的亚区域分割（如囊肿、坏死、出血）。

ABSTRACT

In the past few years, deep learning (DL) models have drawn great attention and shown superior performance on brain tumor and subregion segmentation tasks. However, the success is limited to segmentation of adult gliomas, where sufficient data have been collected, manually labeled, and published for training DL models. It is still challenging to segment pediatric tumors, because the appearances are different from adult gliomas. Hence, directly applying a pretained DL model on pediatric data usually generates unacceptable results. Because pediatric data is very limited, both labeled and unlabeled, we present a brain tumor segmentation model that is based on knowledge rather than learning from data. We also provide segmentation of more subregions for super heterogeneous tumor like atypical teratoid rhabdoid tumor (ATRT). Our proposed approach showed superior performance on both whole tumor and subregion segmentation tasks to DL based models on our pediatric data when training data is not available for transfer learning.

研究动机与目标

• 解决由于标注数据有限而导致的罕见儿科脑肿瘤分割挑战。
• 克服在成人数据上训练的深度学习模型在儿科肿瘤影像上的泛化能力差的问题。
• 实现在ATRT等高度异质性肿瘤中精细的亚区域分割（如囊肿、坏死、出血）。
• 开发一种无需大规模训练数据集、可解释性强、泛化能力强且高效的分割方法。
• 为数据稀缺限制模型训练的罕见儿科肿瘤提供深度学习的可行替代方案。

提出的方法

• 利用神经解剖学和MRI对比行为的先验知识，而非依赖标注数据进行学习。
• 执行图像预处理，包括配准、使用DWI进行脑组织提取以及偏置场校正。
• 通过在FLAIR和T1/T2图像上使用核密度估计和异常值检测，估计组织概率图（白质、灰质、脑脊液、其他）。
• 利用ANTs将ICBM图谱先验转换到患者空间，以初始化白质和灰质。
• 通过在FLAIR直方图上应用强度阈值法估计脑脊液概率，利用脑脊液信号最暗的特性。
• 采用贝叶斯推理，基于体素强度分布和异常值检测的似然模型，以优化组织分割结果。

实验结果

研究问题

• RQ1 在标注数据极度有限的情况下，基于知识的方法是否能在儿科脑肿瘤分割中优于预训练的深度学习模型？
• RQ2 是否可以无需深度学习或大规模训练集，可靠地实现亚区域分割（如囊肿、坏死、出血）？
• RQ3 基于先验知识的方法与微调后的深度学习模型在儿科肿瘤数据集上的表现如何比较？
• RQ4 先验知识在多大程度上能提升罕见肿瘤分割中的泛化能力和可解释性？
• RQ5 该方法是否能通过极少的重新配置，适配不同类型的儿科肿瘤（如ATRT、DIPG、LGG）？

主要发现

• 所提方法在ATRT的全肿瘤分割中取得了0.869的平均Dice分数，优于所有对比的预训练深度学习模型。
• 在DIPG数据集上，该方法取得了0.869的Dice分数，与第二好的微调模型（0.870）相当，显著优于其他模型（0.56–0.801）。
• 在ATRT的亚区域分割中，该方法在增强肿瘤（0.842）和水肿（0.815）的平均Dice分数上最高，对坏死、出血、脑脊液和囊肿也表现出合理性能。
• 该方法在ATRT和LGG数据集上的表现优于所有评估的预训练深度学习模型，即使未进行任何微调。
• 该方法在不同肿瘤类型间表现出一致的性能，且在DIPG上的结果优于ATRT或LGG，可能由于DIPG的影像特征更一致。
• 该方法具有可解释性，决策规则透明，中间组织概率图可支持质量控制和模型调试。