基于解剖结构限制的儿科脑肿瘤分割分层后处理方法

《Scientific Reports》：Anatomically constrained hierarchical post-processing for pediatric brain tumor segmentation

　　

摘要

通过多参数MRI自动分割儿童脑肿瘤是治疗计划制定和长期体积监测等临床工作流程中的重要步骤，但由于肿瘤亚区的形态多样性和复杂的嵌套结构，这一任务依然具有挑战性。我们对几种架构改进方案——类别解耦网络（CDHNet）和分层区域感知网络（HiRA-Net）——进行了评估，结果发现，在BraTS-PEDs数据集上，这些方案均无法持续超越标准的nnU-Net性能。我们提出了分层后处理方法（HPP），这是一种与模型无关的处理流程，通过以下方式施加针对儿童脑肿瘤的解剖学约束：（1）连通分量分析，（2）解剖层次结构约束，（3）基于体积比的标签校正，以及（4）形态学边界平滑处理。将HPP应用于nnU-Net后，其宏观平均Dice分数从0.634提升至0.724，提升了9.0个百分点，其中囊性成分的评分提升了17.8个百分点，肿瘤周围水肿的评分提升了13.4个百分点；在所有五个默认的交叉验证分组中均观察到了相同的提升效果（原始分数为0.617±0.021，应用HPP后为0.706±0.023，宏观Dice分数提升值为0.089±0.002，共260对数据，Wilcoxon检验p值小于10??），这表明该提升效果并非特定于某一种数据分组。HPP还能提升我们所测试的五种不同卷积神经网络模型的性能，显示出其在各类相关模型中的适用性。此外，我们还发现，虽然基于区域的训练方法在成人胶质瘤处理中效果良好，但由于标签层次结构和类别分布的不同，其在儿童脑肿瘤处理中的效果较差。