会议:MICCAI Workshop2018

Abstract

BRATS 2018第三名

本文提出了一种基于深度学习放射组学算法的胶质瘤分割和生存预测的新方法,并在2018年脑肿瘤分割挑战(BRATS)中使用了基于3D patch-based U-net模型的胶质瘤模型,对肿瘤进行放射组学特征提取和分类,用于Overall Survival(OS)预测任务。模型在BRATS 2018验证数据集上的初步结果表明,该方法对整个肿瘤、肿瘤核心和增强肿瘤的Dice评分分别为0.88、0.83和0.75,取得了较好的效果,在验证数据集上获得了57.1%的准确率。

Introduction

胶质瘤可能具有不同程度的侵袭性、不同的预后和几个不同的组织学亚区。

这些是通过不同磁共振成像(MRI)模式上的不同强度分布来描述的,这些强度分布反映了不同的肿瘤生物学特性。

BRATS挑战赛分为两个部分:

1.肿瘤内的脑肿瘤分割

2.根据影像学特征预测患者的总生存天数

1

肿瘤内部分的磁共振成像。黄色为水肿,蓝色为强化肿瘤,红色为坏死性肿瘤

Method

在BRATS数据集中,肿瘤像素和其他正常大脑像素之间存在高度的不平衡。这导致了模型的偏向训练,因为与肿瘤像素相比,lost function受到正常大脑像素的影响。为了解决这个问题,我们采用了patch-based的训练方法。从用于训练网络的BRATS数据集中提取固定大小的3Dpatch。

Dataset

训练数据集包括210例高级别胶质瘤(HGG)和75例低级别胶质瘤(LGG),而验证集包括66例。对于每个病例,有四个MRI序列,即。T1、T1ce、T2和FLAIR。所有病例均由4名评分员手动分割,并由经验丰富的神经放射科医生批准标记为肿瘤核心、强化肿瘤和水肿等肿瘤内部分。

训练集提供了163例患者的生存数据(以天为单位),验证集提供了54例患者的生存数据(以天为单位)。

Pre-processing

  • skull stripping
  • the data was co-register and re-sampled to 1 mm x1 m m x 1 m m resolution
  • 每个体积的大小为240×240×155
  • 所有四个MRI通道数据均归一化为零均值和单位方差

Patch Extraction and Training

  • 3个下采样和3个上采样branch
  • Four patches extracted from FLAIR,T1, T2, T1c were concatenated together to form 64 x 64 x 64 x 4 and fed for
    training to the input layer
  • 每层之后是ReLU 激活函数 and 批归一化
  • 在输出时,生成坏死、水肿、强化肿瘤和背景(包括非肿瘤脑像素)的4个概率图。

Radiomic Feature Extraction and Training

预测患者在几天内的总体生存时间。在我们的方法中,我们计算了FLAIR和T1c体积上的放射学特征,肿瘤内部分使用不同组合

![5](F:\Typora File\2020论文阅读笔记\Glioma Fusion\Deep Learning Radiomics Algorithm for Gliomas (DRAG) Model\5.PNG)

2

分割标签:黄色代表水肿,蓝色代表强化肿瘤,红色代表肿瘤核心。

  • 计算了first order statistics, shape features, Gray Level Co-occurrence Matrix and Gray Level Run Length Matrix features
  • 计算了水肿、肿瘤核心和强化肿瘤的468个特征
  • 剔除彼此接近完全相关(Spearman相关系数0.95或更高,p0.05或更低)的放射学变量,仅保留每个集合中的一个变量(N=117)。评估年龄和所有无显著自相关性(N=117)的放射组学变量与生存率的关系。
  • 采用多层感知器对神经网络进行训练
  • 2018年的训练数据集(N=163)分为训练(51.5%)、验证(14.7%)和测试(33.7%)子集

Result

3

4

6

Conclusion