脑胶质瘤分割通常需要将肿瘤区域细分为多个不同性质的子区域,往往需要使用多种不同模态的磁共振(MR)图像.近年来,基于深度学习的脑胶质瘤分割研究已成为主流.然而,大多数基于深度学习的方法只是将不同模态MR图像(或底层特征)进行通道维度堆叠后输入到分割网络中,并且在特征提取阶段忽略不同性质子区域分割时所需模态特征的差异性,导致分割性能不够精良.本研究提出一种基于多模态MR图像特征选择的两阶段分割框架进行脑胶质瘤分割.一方面,设计多模态特征选择模块并嵌入到分割网络框架中,对当前分割任务所需多模态MR图像特征进行自动提取和有效选择;另一方面,将多个不同性质的病变组织子区域分为两阶段分割任务,利用第一阶段分割任务结果提供第二阶段分割目标的定位信息.本方法和对比方法分别在BraTS2018(训练集285个患者,验证集66个患者)、BraTS2019(训练集335个患者,验证集125个患者)和BraTS2020(训练集369个患者,验证集125个患者)公开数据集上进行了实验.在BraTS2018数据集上,本方法在完整肿瘤、肿瘤核心和增强肿瘤区域的Dice相似系数分别为0.898、0.854和0.818,Hausdorff距离分别为4.072、6.179和3.763;在BraTS2019数据集上,本方法在上述3个肿瘤区域的Dice相似系数分别为0.892、0.839和0.800,Hausdorff距离分别为6.168、7.077和3.807;在BraTS2020数据集上,本方法在上述3个肿瘤区域的Dice相似系数分别为0.896、0.837和0.803,Hausdorff距离分别为6.223、7.033和4.411.对比实验结果表明,所提方法在增强肿瘤区域和肿瘤核心区域的分割性能具有明显优势,特别是增强肿瘤区域分割性能在BraTS2020数据集上最佳.基于多模态特征选择模块的两阶段分割框架,针对每阶段分割目标实现了不同模态MR图像特征的自动和充分学习,取得了理想的分割结果,为计算机辅助肿瘤诊断提供了可能的解决方案.

脑胶质瘤分割;多模态磁共振图像;特征选择;卷积神经网络;V-Net

合肥工业大学生物医学工程系,合肥 230009;重庆邮电大学自动化学院,重庆 400065;中国科学技术大学电子工程与信息科学系,合肥 230026

[1]成娟;张楚雅;刘羽;李畅;朱智勤;陈勋-.基于多模态磁共振图像特征选择的脑胶质瘤分割)[J].中国生物医学工程学报,2022(05):513-526

多模态磁共振图像,脑胶质瘤分割,BraTS2018

图像特征,特征选择,肿瘤区,子区域,多种不同,MR,底层特征,堆叠,分割网络,质子,区域分割,精良,两阶段,多模态特征,网络框架,自动提取,病变组织,第一阶段,第二阶段,定位信息,比方,训练集,验证集,BraTS2019,BraTS2020,公开数据集,Dice,相似系数,Hausdorff,核心区域,目标实现,计算机辅助,肿瘤诊断,Net

0.196401