来源:bioRxiv

ABSTRACT

实现了一个三组框架,每组由三个3D-Density-UNet组成,分别分割整个肿瘤(WT)、肿瘤核心(TC)和增强肿瘤(ET)。该

方法将复杂的多类分割问题分解为各个子成分的独立二值分割问题。每组使用不同的方法和损失函数进行训练。对来

自3个组的各自网络的特定标签的输出分段进行集成和后处理。对于生存分析,实现了基于图像纹理特征和小波纹理

特征的线性回归模型。这些网络在BraTS2019验证数据集上进行了测试,其中125例用于脑瘤分割任务,29例用于生

存预测任务。对于WT、TC和ET,分割网络的平均DICE得分分别为0.901、0.844和0.801。生存预测网络的准确率为119244.5 5,均方误差为0.0 2%。

1

Dice loss

2

Focal loss

3

HGG & LGG Classifier

使用来自BraTS2019数据集中的335个案例来训练网络,其中包括259个HGG案例和76个LGG案例。数据增广步骤包括水平翻转、垂直翻转、随机旋转和平移旋转。数据集被随机洗牌并分为60%(155个HGG和46个LGG)用于训练,20%(52个HGG和15个LGG)用于训练验证,20%(52个HGG和15个LGG)用于测试。

4

5)高级别胶质瘤(HGG)的分割结果示例(A)后对比图像。(B)Ground truth(C)网络产出。红色=强化肿瘤,蓝色=肿瘤核心(强化肿瘤+无强化肿瘤+坏死),绿色=水肿,整个肿瘤=绿色+蓝色+红色。

6

低级别胶质瘤(HGG)(A)增强后图像的分割结果示例。(B)Ground truth(C)网络产出。色码:红色=强化肿瘤,蓝色=肿瘤核心(强化肿瘤+无强化肿瘤+坏死),绿色=水肿,整个肿瘤=绿色+蓝色+红色。