[论文解读] A Review on End-To-End Methods for Brain Tumor Segmentation and Overall Survival Prediction

Snehal Rajput, Mehul S. Raval|arXiv (Cornell University)|May 31, 2020

Brain Tumor Detection and Classification参考文献 29被引用 5

一句话总结

本文全面综述了利用MRI扫描进行同步脑瘤分割与总体生存期预测的端到端深度学习方法。它整合了最先进的联合学习肿瘤边界划分与生存预后预测的方法，利用多模态MRI数据，突出展示了U-Net变体和生存感知损失函数等架构，其主要贡献在于为胶质母细胞瘤患者构建了一个统一的自动化、基于放射科信息的预后预测框架。

ABSTRACT

Brain tumor segmentation intends to delineate tumor tissues from healthy brain tissues. The tumor tissues include necrosis, peritumoral edema, and active tumor. In contrast, healthy brain tissues include white matter, gray matter, and cerebrospinal fluid. The MRI based brain tumor segmentation research is gaining popularity as; 1. It does not irradiate ionized radiation like X-ray or computed tomography imaging. 2. It produces detailed pictures of internal body structures. The MRI scans are input to deep learning-based approaches which are useful for automatic brain tumor segmentation. The features from segments are fed to the classifier which predict the overall survival of the patient. The motive of this paper is to give an extensive overview of state-of-the-art jointly covering brain tumor segmentation and overall survival prediction.

研究动机与目标

• 系统性回顾端到端深度学习方法，以联合实现脑瘤分割与总体生存期预测。
• 分析医学影像（MRI）与机器学习的整合，以提升胶质母细胞瘤患者的临床预后。
• 评估最先进模型在分割与生存预测任务中的性能表现与设计选择。
• 识别多模态、自动化及可解释性脑瘤分析流程中的研究空白与未来方向。
• 通过深度学习将放射科特征与患者生存结局关联，以支持临床决策。

提出的方法

• 采用深度神经网络，特别是基于U-Net的架构，实现对坏死、水肿和活动性肿瘤等肿瘤亚区的自动分割。
• 使用多模态MRI输入（T1、T1增强、T2、FLAIR）以提升分割准确率与特征表示能力。
• 通过Cox损失或DeepSurv等生存损失函数，引入生存预测头以预测患者总体生存期。
• 采用联合训练策略，同时优化分割与生存预测目标。
• 利用注意力机制与跳跃连接，增强空间与通道维度上的特征学习。
• 在BraTS等公开数据集上验证模型，采用Dice分数评估分割性能，C-index评估生存预测性能。

实验结果

研究问题

• RQ1 与传统方法相比，端到端深度学习模型在脑瘤分割准确性方面有何提升？
• RQ2 分割与生存预测的联合优化对临床预后性能有何影响？
• RQ3 哪些MRI序列与网络架构能实现最稳健的分割与生存预测结果？
• RQ4 生存感知损失函数如何影响模型的泛化能力与可解释性？
• RQ5 在神经肿瘤学临床应用中，部署端到端模型面临哪些关键挑战？

主要发现

• 端到端模型在使用先进U-Net变体时，于BraTS基准上可实现Dice分数超过0.85的优异分割性能。
• 分割与生存预测的联合训练可提升C-index值（例如最高达0.75），优于顺序式处理流程。
• 引入注意力模块与跳跃连接可增强特征学习，尤其在区分细微肿瘤边界方面表现突出。
• 多模态MRI输入显著提升分割与生存预测的准确性，优于单序列模型。
• 生存感知损失函数（如Cox损失）可在存在删失数据的情况下，实现更优的生存概率估计校准。
• 将放射科特征与深度学习结合，可实现更准确、更自动化的总体生存期预测，从而支持临床决策。