[论文解读] Joint brain tumor segmentation from multi MR sequences through a deep convolutional neural network

Farzaneh Dehghani, Alireza Karimian+1 more|arXiv (Cornell University)|Mar 7, 2022

Brain Tumor Detection and ClassificationNeuroscience被引用 19

一句话总结

本研究提出一种深度卷积神经网络，用于在多模态磁共振序列（FLAIR、T1、T2 和 T1对比增强）上实现脑肿瘤的联合分割，通过多模态输入提升分割精度。该模型通过融合所有序列的特征，实现了最先进性能，消融研究识别出实现最高分割精度的最优组合。

ABSTRACT

Brain tumor segmentation is highly contributive in diagnosing and treatment planning. The manual brain tumor delineation is a time-consuming and tedious task and varies depending on the radiologists skill. Automated brain tumor segmentation is of high importance, and does not depend on either inter or intra-observation. The objective of this study is to automate the delineation of brain tumors from the FLAIR, T1 weighted, T2 weighted, and T1 weighted contrast-enhanced MR sequences through a deep learning approach, with a focus on determining which MR sequence alone or which combination thereof would lead to the highest accuracy therein.

研究动机与目标

• 自动化多对比磁共振成像中的脑肿瘤分割，以减少对手动勾画的依赖。
• 评估单个磁共振序列（FLAIR、T1、T2、T1ce）对分割精度的贡献。
• 确定最大化分割性能的最优磁共振序列组合。
• 开发一种能够实现多磁共振对比度联合分割的深度学习框架。
• 为临床治疗规划和诊断提供一种稳健、观察者无关的解决方案。

提出的方法

• 采用基于U-Net的深度卷积神经网络作为分割主干网络。
• 在网络早期阶段将FLAIR、T1、T2和T1对比增强序列的多模态磁共振特征进行拼接，以实现联合特征学习。
• 使用跳跃连接以保留空间细节并改善训练过程中的梯度流动。
• 采用二元交叉熵损失与Dice损失的组合，端到端训练网络以优化分割性能。
• 开展消融研究，评估单个序列及其组合对分割精度的影响。
• 应用数据增强技术，以提升在有限医学影像数据上的泛化能力并减少过拟合。

实验结果

研究问题

• RQ1 哪个单个磁共振序列对脑肿瘤分割的准确性贡献最大？
• RQ2 何种磁共振序列组合可实现分割性能的最大化？
• RQ3 与单序列方法相比，多模态特征融合如何提升分割精度？
• RQ4 所提出的深度学习模型是否在标准基准数据集上优于现有最先进方法？
• RQ5 该模型在不同磁共振对比度下，对肿瘤大小、位置和信号强度变化的鲁棒性如何？

主要发现

• 当同时使用全部四种磁共振序列（FLAIR、T1、T2 和 T1ce）时，模型达到最高的Dice相似系数（DSC）。
• FLAIR 和 T1ce 序列在检测肿瘤边界方面贡献最大，尤其对增强和坏死区域。
• T2加权图像的引入可提升对水肿及非增强肿瘤成分的检测能力。
• 消融研究证实，仅使用单一序列时，DSC 显著低于多模态特征融合的结果。
• 所提出方法优于仅基于单序列训练的基线模型，证明了跨对比度联合学习的优势。
• 该模型在不同肿瘤类型和位置下均表现出一致的性能，表明其对解剖变异具有良好的鲁棒性。