TriadNet: Sampling-free predictive intervals for lesional volume in 3D brain MR images

要約

脳病変（梗塞や腫瘍など）の容積は患者の予後の強力な指標であり、治療戦略の指針として使用できます。
病変体積の推定は、通常、現在最先端のアプローチであるディープ畳み込みニューラル ネットワーク (CNN) を使用したセグメンテーションによって実行されます。
しかし、これまでのところ、ボリュームセグメンテーションツールに適切な定量的予測間隔を装備するための研究はほとんど行われておらず、臨床現場での有用性や受け入れを妨げる可能性があります。
この研究では、マルチヘッド CNN アーキテクチャに依存したセグメンテーション アプローチである TriadNet を提案します。これは、病変ボリュームと関連する予測間隔の両方を 1 秒未満で同時に提供します。
大規模な MRI 神経膠芽腫画像データベースである BraTS 2021 上で、他のソリューションに対する優位性を実証します。

要約(オリジナル)

The volume of a brain lesion (e.g. infarct or tumor) is a powerful indicator of patient prognosis and can be used to guide the therapeutic strategy. Lesional volume estimation is usually performed by segmentation with deep convolutional neural networks (CNN), currently the state-of-the-art approach. However, to date, few work has been done to equip volume segmentation tools with adequate quantitative predictive intervals, which can hinder their usefulness and acceptation in clinical practice. In this work, we propose TriadNet, a segmentation approach relying on a multi-head CNN architecture, which provides both the lesion volumes and the associated predictive intervals simultaneously, in less than a second. We demonstrate its superiority over other solutions on BraTS 2021, a large-scale MRI glioblastoma image database.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google