3D AGSE-VNet: Ein automatischer Rahmen für die Segmentierung von Hirntumor-MRI-Daten

Hintergrund: Gliome sind der häufigste maligne Hirntumor mit einer hohen Inzidenz und einer Mortalitätsrate von über drei Prozent, was die menschliche Gesundheit erheblich gefährdet. Die gängige Methode zur Erkennung von Hirntumoren in der Klinik ist die Magnetresonanztomographie (MRI). Die Segmentierung von Hirntumorregionen aus multimodalen MRI-Bildern ist hilfreich für die Behandlungsplanung, die Nachuntersuchung nach der Diagnose und die Bewertung der Therapiewirksamkeit. Allerdings basiert die übliche Vorgehensweise in der klinischen Segmentierung von Hirntumoren weiterhin auf manueller Markierung, was zeitaufwendig ist und erhebliche Unterschiede zwischen verschiedenen Operateuren hervorruft. Daher besteht dringender Bedarf an einer konsistenten und genauen automatischen Segmentierungsmethode. Methoden: Um die oben genannten Herausforderungen zu bewältigen, schlagen wir einen automatischen Segmentierungsansatz für MRI-Daten von Hirntumoren vor, der als AGSE-VNet bezeichnet wird. In unserer Studie wird das Squeeze-and-Excite (SE)-Modul in jeden Encoder integriert und das Attention Guide Filter (AG)-Modul in jeden Decoder eingefügt. Dabei wird die Beziehung zwischen Kanälen genutzt, um automatisch nützliche Informationen in den Kanälen zu verstärken und unerwünschte Informationen zu unterdrücken. Zudem nutzt die Aufmerksamkeitsmechanik die Kanteninformationen gezielt und reduziert den Einfluss irrelevanter Störungen wie Rauschen. Ergebnisse: Wir haben unsere Methode mit dem Online-Validierungstool des BraTS2020-Wettbewerbs evaluiert. Die Bewertung konzentriert sich auf die Dice-Scores für den gesamten Tumor (WT), den Tumorkern (TC) und den kontrastverstärkten Tumor (ET), die jeweils 0,68, 0,85 und 0,70 betragen. Schlussfolgerung: Obwohl MRI-Bilder unterschiedliche Intensitäten aufweisen, ist AGSE-VNet unabhängig von der Tumorgroße und kann die Merkmale der drei Regionen präziser extrahieren. Die Methode erzielt beeindruckende Ergebnisse und leistet bedeutende Beiträge zur klinischen Diagnose und Therapie von Hirntumorpatienten.