.png){kind=icon}
返回
Multi-sequence brain tumor segmentation boosted by deep semantic features
.png){kind=icon}
PRE
AI
DOI：10.1002/mp.17845.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景 基于深度学习（DL）的脑肿瘤分割的主要任务是获取从学习到的图像特征到其对应语义标签（即脑肿瘤亚区）的准确投影。为此，分割网络需要学习具有高类内一致性的图像特征。然而，脑肿瘤已知具有异质性，并且通常会导致图像灰度值的高多样性，这进一步影响学习到的图像特征。因此，将此类多样的图像特征（即低类内一致性）投影到同一语义标签往往是困难且低效的。
目的 本研究旨在解决从异质性脑肿瘤区域学习到的图像特征低类内一致性的问题，并简化图像特征向其对应语义标签的投影。通过这种方式，可以实现脑肿瘤的准确分割。
方法 我们提出了一种基于DL的脑肿瘤分割新方法，其中引入了一个语义特征模块（SFM），用于整合具有有意义语义信息的图像特征并增强其类内一致性。具体而言，在SFM中，推导出深层语义向量并将其用作原型，以重新编码分割网络中学习到的图像特征。由于相对一致的深层语义向量，学习到的图像特征的多样性可以得到降低；此外，学习到的图像特征中的语义信息也可以得到丰富，这两者均有助于向最终语义标签进行准确投影。
结果 在实验中，我们使用包含1251名患者多序列MR图像的公开脑肿瘤数据集BraTS2022，对脑肿瘤亚区分割任务中的方法进行了评估，实验结果表明，得益于SFM，我们的方法在统计意义上显著优于当前最先进的方法（使用Wilcoxon符号秩检验，p<0.05）。进一步的消融研究显示，所提出的SFM与未使用SFM的情况相比，可将分割准确率（Dice指数）提高高达11%。
结论 在基于DL的分割中，学习到的图像特征低类内一致性会降低分割性能。所提出的SFM能够有效利用高层语义信息增强类内一致性，使图像特征向其对应语义标签的投影更加准确。
Keyword:
brain tumor
deep semantic feature
image segmentation
multimodal
期刊
IF:
3.2
论文数:
3.7W
被引数:
3.2W
机构
引用论文
Attention gated networks: Learning to leverage salient regions in medical images注意门控网络: 学习利用医学图像中的显着区域.png)
MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects卷积神经网络综述: 分析、应用与展望OAAI
OAAI分享收藏Multimodal Brain Tumor Segmentation Boosted by Monomodal Normal Brain Images多模态脑肿瘤分割通过单模态正常脑图像得到增强
PREAI
分享收藏The k-means Algorithm: A Comprehensive Survey and Performance EvaluationK-means算法: 综合考察与性能评价ElectronicsOAAI
ElectronicsIF0
OAAI分享收藏Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentationMEDICAL IMAGE ANALYSISOAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏nnU-Net: a self-configuring method for deep learning-based biomedical image segmentationNnu-net: 一种基于深度学习的自配置生物医学图像分割方法NATURE METHODS
NATURE METHODSIF32.1
PREAI
分享收藏
查看更多内容