Automatische Segmentierung von Hirntumoren mit kaskadierten anisotropen Faltungsneuralnetzen

Es wird ein Kaskade von vollständig konvolutiven neuronalen Netzen vorgeschlagen, um multimodale Magnetresonanztomografien (MRT) mit Hirntumor in Hintergrund und drei hierarchische Regionen zu segmentieren: gesamter Tumor, Tumorkern und verstärkter Tumorkern. Die Kaskade ist so konzipiert, dass das Mehrklassensegmentierungsproblem in eine Reihe von drei binären Segmentierungsproblemen aufgeteilt wird, basierend auf der Hierarchie der Unterregionen. Im ersten Schritt wird der gesamte Tumor segmentiert, und die Begrenzungsbox des Ergebnisses wird für die Segmentierung des Tumorkerns im zweiten Schritt verwendet. Anschließend wird der verstärkte Tumorkern basierend auf der Begrenzungsbox des Tumorkern-Segmentierungsergebnisses segmentiert. Unsere Netzwerke bestehen aus mehreren Schichten anisotroper und gedehnter Konvolutionsfilter, und sie werden mit Multiview-Fusion kombiniert, um Falschpositivreihungen zu reduzieren. In diesen Netzwerken werden Residuerverbindungen und mehrskalige Vorhersagen eingesetzt, um die Segmentationsleistung zu verbessern. Experimente mit dem Validierungsdatensatz von BraTS 2017 zeigten, dass die vorgeschlagene Methode durchschnittliche Dice-Koeffizienten von 0,7859, 0,9050 und 0,8378 für den verstärkten Tumorkern, den gesamten Tumor und den Tumorkern erzielte. Die entsprechenden Werte für den Testdatensatz von BraTS 2017 betrugen jeweils 0,7831, 0,8739 und 0,7748.