基于多阈值注意U-Net(MTAU)的MRI多模态脑肿瘤分割模型
共 2263字,需浏览 5分钟
·
2021-02-05 16:35
点击上方“小白学视觉”,选择加"星标"或“置顶”
重磅干货,第一时间送达
胶质瘤是最常见的脑肿瘤之一,分为高级别和低级别胶质瘤。肿瘤核心、强化肿瘤等不同区域的分割在判断肿瘤的严重程度和预后方面起着重要作用。在此,作者开发了一种基于注意力U-Net的多阈值模型来识别磁共振成像(MRI)中不同区域的肿瘤。作者提出了一种多路径分割方法,并针对不同的感兴趣区域建立了三个独立的模型。该模型在训练数据集上增强肿瘤、全肿瘤和核心肿瘤的平均Dice系数分别为0.59、0.72和0.61。同一模型给出了验证数据集上的平均骰子系数为0.57、0.73和0.61,测试数据集上的平均骰子系数为0.59、0.72和0.57。
作者提出了一种基于多阈值注意力U-Net (MTAU)[19]的二维模型,通过单独训练三个不同的模型,将MRI扫描的多模态脑肿瘤图像分割成三个不同的区域(坏死(NCR)和非增强肿瘤(NET),增强肿瘤(ET)和水肿(ED))。这三个模型使用相同的架构,因此作者在训练/推理时减少了内存需求(2D模型比3D模型更简单,参数数量更少),而不增加模型设计的工作量。另外,在没有内存限制的情况下,作者可以在并行训练2D U-Net模型的多路径架构格式中使用相同的模型。
作者首先为二维注意力U-Net模型[19]选择一个架构,然后将这个架构训练为三个不同的任务(或区域),最后得到三个不同的模型,分别为NCR+NET、ET和水肿。如果GPU内存没有限制,作者也可以通过并行堆叠和训练三个模型,在多路径格式中使用相同的架构。模型结构如图1所示,每个层都有不同的连接和实际参数。如图2所示,在三个区域的每个区域复制并训练了该架构。这三个注意力u网是相互独立的,因此作者可以为每个区域选择一个单独的阈值。阈值在每个模型中的目的是将输出值二值化为0和1。针对每个区域的训练分离模型可以灵活地根据各自输出的曲线下面积(Area Under Curve, AUC)选择单独的阈值,因此该模型被称为多阈值注意U-Net (Multi-Threshold Attention U-Net, MTAU)。
本研究中所提出的注意力u -网模型的架构。在结构中显示了不同尺寸的滤波器和相应的连接,并将二进制交叉熵损失用于反向传播。
本文所提出的多阈值注意u -网(MTAU)模型图。每个注意力U-Nets是相互独立的,它们的最佳阈值分别编号为1、2和3。
利用所提出的模型得到的分割结果为最好的和低于平均的训练数据集的结果。每一行代表一个不同的患者数据。列表示T2- flair、T1、T1- ce、T2、Ground truth和输出。分割标签为:绿色表示水肿,蓝色表示强化肿瘤,红色表示(坏死+非强化)。(A)和(B)表示最好的分割结果,(C)和(D)表示使用本文模型得到的低于平均水平的分割结果。
本文方法在BraTS 2020验证数据集上的分割性能
基于注意力U-Net建立了一个多阈值模型,用于识别MRI扫描中不同区域的肿瘤。该模型具有计算复杂度低、内存需求少、并行训练时间短等优点。该模型在训练数据集上增强肿瘤、全肿瘤和核心肿瘤的平均Dice系数分别为0.59、0.72和0.61。同一模型给出验证数据集的平均骰子系数为0.57、0.73和0.61,测试数据集的平均骰子系数为0.59、0.72和0.57。
论文链接:https://arxiv.org/pdf/2101.12404.pdf
每日坚持论文分享不易,如果喜欢我们的内容,希望可以推荐或者转发给周围的同学。
- END -
交流群
欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~