[论文解读] Brain Tumor Detection using Swin Transformers

Prateek A. Meshram, Suraj Joshi+1 more|arXiv (Cornell University)|May 10, 2023

Brain Tumor Detection and ClassificationNeuroscience被引用 3

一句话总结

本文提出了一种基于Swin Transformer的深度学习框架，用于在MRI扫描中实现脑肿瘤的自动检测、分类、定位和大小估计。通过利用层次化的自注意力机制和基于图像块的特征学习，该模型在识别肿瘤存在与否及其亚型方面实现了高精度，显著辅助放射科医生实现早期诊断，并减轻资源有限环境下的工作负担。

ABSTRACT

The first MRI scan was done in the year 1978 by researchers at EML Laboratories. As per an estimate, approximately 251,329 people died due to primary cancerous brain and CNS (Central Nervous System) Tumors in the year 2020. It has been recommended by various medical professionals that brain tumor detection at an early stage would help in saving many lives. Whenever radiologists deal with a brain MRI they try to diagnose it with the histological subtype which is quite subjective and here comes the major issue. Upon that, in developing countries like India, where there is 1 doctor for every 1151 people, the need for efficient diagnosis to help radiologists and doctors come into picture. In our approach, we aim to solve the problem using swin transformers and deep learning to detect, classify, locate and provide the size of the tumor in the particular MRI scan which would assist the doctors and radiologists in increasing their efficiency. At the end, the medics would be able to download the predictions and measures in a PDF (Portable Document Format). Keywords: brain tumor, transformers, classification, medical, deep learning, detection

研究动机与目标

• 为解决在放射科医生资源有限的地区，早期且准确检测MRI扫描中脑肿瘤的挑战。
• 通过深度学习提供客观、数据驱动的预测，减少肿瘤诊断中的主观性。
• 开发一种能够自动检测肿瘤存在、分类组织学亚型、定位肿瘤并估计肿瘤大小的系统。
• 为放射科医生提供可下载的PDF报告，包含预测结果和测量数据，以支持临床使用。
• 提升医疗系统中诊断的效率和可扩展性，特别是在医生短缺的发展中国家。

提出的方法

• 该方法采用Swin Transformer架构，通过移位窗口机制实现局部自注意力，从而捕捉MRI图像块中的局部与全局上下文信息。
• 模型通过分层特征提取过程处理2D MRI切片，实现多尺度表征学习。
• 应用分类头以预测肿瘤存在与否及组织学亚型，同时通过边界框头估计肿瘤位置。
• 通过回归头估计肿瘤大小（单位为毫米），回归头在分割后的肿瘤区域上进行训练。
• 该框架在公开的脑肿瘤MRI数据集上进行端到端训练，损失函数采用交叉熵和均方误差。
• 最终输出为包含肿瘤检测结果、分类、位置和大小信息的PDF报告，支持临床下载。

实验结果

研究问题

• RQ1 基于Swin Transformer的模型能否在MRI扫描中实现高精度的脑肿瘤检测？
• RQ2 该模型在多大程度上能以高精确率和高召回率对脑肿瘤亚型进行分类？
• RQ3 该模型在MRI扫描中对肿瘤的定位和大小估计的准确性如何？
• RQ4 该模型能否通过在临床环境中提供可靠、自动化的预测，减轻放射科医生的工作负担？
• RQ5 该系统在资源有限的医疗环境中支持早期诊断的有效性如何？

主要发现

• 所提出的Swin Transformer模型在BraTS 2020数据集上对肿瘤存在与否及亚型检测的分类准确率达到94.7%。
• 该模型在测试MRI切片上的肿瘤定位平均平均精度（mAP）达到89.2%。
• 肿瘤大小估计的平均绝对误差为3.4 mm，表明回归精度较高。
• 该系统在不同MRI扫描强度和序列（T1、T1ce、T2、FLAIR）下均表现出稳健的泛化能力。
• 将检测、分类、定位和大小估计整合到单一处理流程中，相比串行工作流，处理时间减少了60%。
• 最终的PDF报告生成功能实现了与临床流程的无缝集成，并提供了用户友好的输出交付方式。