基于多閾值注意U-Net(MTAU)的MRI多模態(tài)腦腫瘤分割模型

點擊上方“小白學視覺”，選擇加"星標"或“置頂”
重磅干貨，第一時間送達
小白導讀
論文是學術(shù)研究的精華和未來發(fā)展的明燈。小白決心每天為大家?guī)斫?jīng)典或者最新論文的解讀和分享，旨在幫助各位讀者快速了解論文內(nèi)容。個人能力有限，理解難免出現(xiàn)偏差，建議對文章內(nèi)容感興趣的讀者，一定要下載原文，了解具體內(nèi)容。

膠質(zhì)瘤是最常見的腦腫瘤之一，分為高級別和低級別膠質(zhì)瘤。腫瘤核心、強化腫瘤等不同區(qū)域的分割在判斷腫瘤的嚴重程度和預后方面起著重要作用。在此，作者開發(fā)了一種基于注意力U-Net的多閾值模型來識別磁共振成像(MRI)中不同區(qū)域的腫瘤。作者提出了一種多路徑分割方法，并針對不同的感興趣區(qū)域建立了三個獨立的模型。該模型在訓練數(shù)據(jù)集上增強腫瘤、全腫瘤和核心腫瘤的平均Dice系數(shù)分別為0.59、0.72和0.61。同一模型給出了驗證數(shù)據(jù)集上的平均骰子系數(shù)為0.57、0.73和0.61，測試數(shù)據(jù)集上的平均骰子系數(shù)為0.59、0.72和0.57。

作者提出了一種基于多閾值注意力U-Net (MTAU)[19]的二維模型，通過單獨訓練三個不同的模型，將MRI掃描的多模態(tài)腦腫瘤圖像分割成三個不同的區(qū)域(壞死(NCR)和非增強腫瘤(NET)，增強腫瘤(ET)和水腫(ED))。這三個模型使用相同的架構(gòu)，因此作者在訓練/推理時減少了內(nèi)存需求(2D模型比3D模型更簡單，參數(shù)數(shù)量更少)，而不增加模型設(shè)計的工作量。另外，在沒有內(nèi)存限制的情況下，作者可以在并行訓練2D U-Net模型的多路徑架構(gòu)格式中使用相同的模型。

作者首先為二維注意力U-Net模型[19]選擇一個架構(gòu)，然后將這個架構(gòu)訓練為三個不同的任務(或區(qū)域)，最后得到三個不同的模型，分別為NCR+NET、ET和水腫。如果GPU內(nèi)存沒有限制，作者也可以通過并行堆疊和訓練三個模型，在多路徑格式中使用相同的架構(gòu)。模型結(jié)構(gòu)如圖1所示，每個層都有不同的連接和實際參數(shù)。如圖2所示，在三個區(qū)域的每個區(qū)域復制并訓練了該架構(gòu)。這三個注意力u網(wǎng)是相互獨立的，因此作者可以為每個區(qū)域選擇一個單獨的閾值。閾值在每個模型中的目的是將輸出值二值化為0和1。針對每個區(qū)域的訓練分離模型可以靈活地根據(jù)各自輸出的曲線下面積(Area Under Curve, AUC)選擇單獨的閾值，因此該模型被稱為多閾值注意U-Net (Multi-Threshold Attention U-Net, MTAU)。

本研究中所提出的注意力u -網(wǎng)模型的架構(gòu)。在結(jié)構(gòu)中顯示了不同尺寸的濾波器和相應的連接，并將二進制交叉熵損失用于反向傳播。

本文所提出的多閾值注意u -網(wǎng)(MTAU)模型圖。每個注意力U-Nets是相互獨立的，它們的最佳閾值分別編號為1、2和3。

利用所提出的模型得到的分割結(jié)果為最好的和低于平均的訓練數(shù)據(jù)集的結(jié)果。每一行代表一個不同的患者數(shù)據(jù)。列表示T2- flair、T1、T1- ce、T2、Ground truth和輸出。分割標簽為:綠色表示水腫，藍色表示強化腫瘤，紅色表示(壞死+非強化)。(A)和(B)表示最好的分割結(jié)果，(C)和(D)表示使用本文模型得到的低于平均水平的分割結(jié)果。

本文方法在BraTS 2020驗證數(shù)據(jù)集上的分割性能

基于注意力U-Net建立了一個多閾值模型，用于識別MRI掃描中不同區(qū)域的腫瘤。該模型具有計算復雜度低、內(nèi)存需求少、并行訓練時間短等優(yōu)點。該模型在訓練數(shù)據(jù)集上增強腫瘤、全腫瘤和核心腫瘤的平均Dice系數(shù)分別為0.59、0.72和0.61。同一模型給出驗證數(shù)據(jù)集的平均骰子系數(shù)為0.57、0.73和0.61，測試數(shù)據(jù)集的平均骰子系數(shù)為0.59、0.72和0.57。

論文鏈接：https://arxiv.org/pdf/2101.12404.pdf

每日堅持論文分享不易，如果喜歡我們的內(nèi)容，希望可以推薦或者轉(zhuǎn)發(fā)給周圍的同學。

- END -

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學影像、GAN、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學校/公司+研究方向“，例如：”張三?+?上海交大?+?視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~