Segmentation of Head and Neck Tumours Using Modified U-net

最新推荐文章于 2023-02-14 18:13:09 发布

原创

最新推荐文章于 2023-02-14 18:13:09 发布 · 468 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #头颈癌 #分割

研究提出了一种结合U-Net与扩张卷积的神经网络，针对头颈癌MRI图像的肿瘤分割。通过扩展感受野和Dice Loss解决类间不平衡问题，实现在真实数据集上的显著性能提升，较原始U-Net Dice分数提高5%。

Segmentation of Head and Neck Tumours Using Modified U-net
在这里插入图片描述

Abstract

提出了一种新的用于磁共振成像（MRI）头颈癌自动分割的神经网络。所提出的神经网络是基于U-net的，它结合不同分辨率的特征来实现医学图像的端到端定位和分割。在这项工作中，扩展卷积被引入到U-net中，以获得更大的感受野，从而提取多尺度特征。此外，该网络使用Dice失来减少类之间的不平衡。该算法在真实的MRI数据上进行了训练和测试。交叉验证结果表明，新网络在头颈部肿瘤分割方面比原始Unet高出5%（Dice分数）。

Keywords

MRI data, Head and neck cancer, U-net, dilated convolution, semantic segmentation

Introduction

根据世界卫生组织[1]的数据，2015年全球约有880万人死于癌症。放射治疗和手术一起提供了根治性治疗的主要选择。放射治疗计划是一个复杂而漫长的过程，需要对复杂的癌症区域进行详细的界定。这个区域被称为总肿瘤体积(GTV)。该区域的定义是准确和有效的放射治疗计划的基础。自动勾画方法的发展可以减少人工勾画肿瘤的内部和外部差异性，为临床肿瘤学家减轻工作量和改善放射治疗提供客观可靠的帮助[2]。
图1(a)显示舌根肿瘤的T1加权钆增强头颈部MR图像。众所周知，肿瘤区域边界模糊，与邻近组织没有明显区别。此外，在头部和颈部，有一些区域和组织具有与肿瘤相似的特征(强度、位置)，如淋巴结；这些区域和组织可能会产生假阳性。此外，如图1(b)所示，MRI数据的伪影很明显，