基于TensorMixup的脑胶质瘤全自动分割

摘要

脑胶质瘤及其子区域的全自动分割对临床脑胶质瘤患者的诊断、治疗与病情监控具有重要意义。本文改进传统Mixup方法,提出TensorMixup模型,并将其应用于三维U-Net脑胶质瘤分割任务。算法核心思想包括,首先从两位患者相同模态的核磁共振脑影像中分别获取肿瘤区域所在边界框的图像序列,并从获取的图像序列中选取尺寸为128×128×128体素的图像块,然后使用一个所有元素均独立采样于贝塔分布的张量,混合图像块的信息,接着将上述张量映射为矩阵,用于混合图像块的独热编码标签序列,从而合成新图像及其标注数据,最后使用合成数据训练模型,以提高模型的分割精度。在BraTs2019数据集的测试结果显示,本文算法在完整肿瘤、肿瘤核心与增强肿瘤区域的平均Dice值依次可达91.32%、85.67%与82.20%,证明使用TensorMixup进行脑胶质瘤分割,具有可行性与有效性。