[论文解读] Brain Tumor Segmentation Using Deep Learning by Type Specific Sorting of Images

Zahra Sobhaninia, Safiyeh Rezaei+6 more|arXiv (Cornell University)|Sep 20, 2018

Brain Tumor Detection and Classification参考文献 4被引用 72

一句话总结

本论文研究使用深度学习进行脑肿瘤分割，并比较单网络方法与多网络、按类型排序图像的策略，在多网络情况下实现了更高的 Dice 分数。

ABSTRACT

Recently deep learning has been playing a major role in the field of computer vision. One of its applications is the reduction of human judgment in the diagnosis of diseases. Especially, brain tumor diagnosis requires high accuracy, where minute errors in judgment may lead to disaster. For this reason, brain tumor segmentation is an important challenge for medical purposes. Currently several methods exist for tumor segmentation but they all lack high accuracy. Here we present a solution for brain tumor segmenting by using deep learning. In this work, we studied different angles of brain MR images and applied different networks for segmentation. The effect of using separate networks for segmentation of MR images is evaluated by comparing the results with a single network. Experimental evaluations of the networks show that Dice score of 0.73 is achieved for a single network and 0.79 in obtained for multiple networks.

研究动机与目标

• 推动脑肿瘤分割的准确性，原因是存在关键的诊断错误。
• 评估图像类型特异排序对分割性能的影响。
• 比较单网络方法与多网络方法在 MR 图像分割中的表现。

提出的方法

• 将深度学习应用于脑部 MR 图像的肿瘤分割。
• 实验 MR 图像的不同角度/视图。
• 使用分离的网络进行分割 vs. 使用单一统一网络。
• 以 Dice 分数作为主要指标来评估分割性能。

实验结果

研究问题

• RQ1 在不同图像类型下使用分离的网络是否比单一网络提高分割准确性？
• RQ2 与单一网络相比，采用多网络按类型排序可实现怎样的 Dice 分数提升？
• RQ3 哪些图像方向/角度对分割性能贡献最大？
• RQ4 在此设置中，模型复杂度与分割准确性之间是否存在权衡？

主要发现

• 单网络 Dice 分数：0.73。
• 采用按类型排序的多网络：Dice 分数 0.79。
• 按类型排序和多网络设置在分割性能上优于单网络。