[论文解读] Deep Learning Based Brain Tumor Segmentation: A Survey

Zhihua Liu, Tong Lei+7 more|arXiv (Cornell University)|Jul 18, 2020

Brain Tumor Detection and ClassificationNeuroscience被引用 17

一句话总结

本综述对基于深度学习的脑肿瘤分割方法进行了全面分析，涵盖网络架构、数据不平衡处理以及多模态融合。该综述综合了超过100项研究的见解，突出显示了在自动化脑肿瘤分割中应用深度学习的关键趋势、技术挑战以及未来研究方向。

ABSTRACT

Brain tumor segmentation is one of the most challenging problems in medical image analysis. The goal of brain tumor segmentation is to generate accurate delineation of brain tumor regions. In recent years, deep learning methods have shown promising performance in solving various computer vision problems, such as image classification, object detection and semantic segmentation. A number of deep learning based methods have been applied to brain tumor segmentation and achieved promising results. Considering the remarkable breakthroughs made by state-of-the-art technologies, we use this survey to provide a comprehensive study of recently developed deep learning based brain tumor segmentation techniques. More than 100 scientific papers are selected and discussed in this survey, extensively covering technical aspects such as network architecture design, segmentation under imbalanced conditions, and multi-modality processes. We also provide insightful discussions for future development directions.

研究动机与目标

• 提供2012年至2020年间发表的基于深度学习的脑肿瘤分割技术的系统性综述。
• 分析网络架构、数据不平衡处理以及多模态磁共振成像（MRI）融合方面的技术进展。
• 识别基于深度学习的脑肿瘤分割中的方法论空白与新兴趋势。
• 基于对现有方法与挑战的批判性评估，提供对未来研究方向的见解。
• 通过聚焦于具有技术深度与方法学分类的深度学习方法，填补现有综述中的空白。

提出的方法

• 本综述对超过100篇关于基于深度学习的脑肿瘤分割的科学论文进行了结构化的文献回顾。
• 方法被划分为网络架构设计、类别不平衡处理以及多模态学习策略三类。
• 作者分析了模态学习技术，包括模态排序、模态配对以及特征融合机制（如拼接和注意力模块）。
• 本综述评估了在模态缺失情况下的方法，包括利用生成对抗网络（GANs）生成合成模态的技术。
• 从性能、参数效率和泛化能力等方面对各类方法进行了技术比较。
• 分析包括Dice分数等评估指标，特别是来自BraTS挑战的结果，用于基准测试方法性能。

实验结果

研究问题

• RQ1 深度学习架构如何演进以提升脑肿瘤分割的准确性和鲁棒性？
• RQ2 在脑肿瘤分割数据集中，处理类别不平衡的最有效策略是什么？
• RQ3 与单模态方法相比，多模态磁共振成像融合技术如何提升分割性能？
• RQ4 在临床环境中，处理缺失磁共振模态的关键挑战与解决方案是什么？
• RQ5 基于深度学习的脑肿瘤分割中，最具前景的未来研究方向是什么？

主要发现

• 多模态磁共振成像融合显著提升了分割性能，BraTS上的最先进模型全肿瘤Dice分数超过0.85。
• 注意力机制和可学习融合模块增强了特征表示，提高了分割准确性，但代价是计算复杂度增加。
• 利用GANs生成缺失模态的方法展现出潜力，但性能高度依赖于输入模态的质量。
• 采用分层或解耦卷积设计的网络（例如HDC-Net）在复杂肿瘤形态上表现出更优的特征学习与泛化能力。
• 自监督和对比学习方法减少了对大规模标注数据的依赖，提升了标签效率。
• 知识蒸馏与集成技术的结合在BraTS 2020挑战中显著提升了模型的鲁棒性与性能。