NVIDIA开发强大的深度学习技术，可自动分割肿瘤

编译：chux

出品：ATYUN订阅号

仅在美国，每年有数万人被诊断出脑瘤。 为了帮助医生更有效地分析，治疗和监测肿瘤，NVIDIA研究人员开发了一种强大的基于深度学习的技术，该技术使用3D磁共振图像自动分割肿瘤。分割提供受影响区域的肿瘤边界定义。

在缺乏训练有素专家的国家，该技术有朝一日可以作为一种救生工具，帮助患者获得所需的护理。

“3D脑肿瘤的自动分割可以节省医生的时间，并为进一步的肿瘤分析和监测提供准确的可重复解决方案。在这项工作中，我们描述了我们用于多模式3D MRI的体积三维脑肿瘤分割的语义分割方法，该方法赢得了BraTS 2018的挑战，”NVIDIA的高级研究科学家Andriy Myronenko表示。

一个典型的分割例子，真实和预测标签覆盖在T1c MRI轴向、矢状和冠状切片上。整个肿瘤（WT）类包括所有可见的标签（绿、黄、红三种标签的结合），肿瘤核心（TC）类是红、黄三种标签的结合，增强肿瘤核心（ET）类以黄色显示（肿瘤过度活跃）。预测分割结果与真值吻合较好。

BraTS挑战，即多模式脑肿瘤分割挑战，是一项专注于脑肿瘤分割的国际竞赛。挑战由宾夕法尼亚大学佩雷尔曼医学院组织。

在开展这项工作时，Myronenko专注于胶质瘤，这是最常见的原发性脑肿瘤之一。高级别胶质瘤是一种侵袭性的恶性脑肿瘤，诊断它们的最佳工具是磁共振图像。然而，手动描绘图像或确定肿瘤边界或边界的确切位置的过程需要解剖学专业知识。该过程成本高，并且容易出现人为错误，而这就是自动分割是如此重要的工具的原因。

Myronenko利用来自19家机构的数据和几台核磁共振扫描仪，训练了一个编码解码卷积神经网络，提取大脑核磁共振成像的特征。

网络架构的原理图可视化。输入是四通道3D MRI裁剪，然后是初始3x3x3 3D卷积和32个滤波器。每个绿色块都是类似ResNet的块，以GroupNorm为规范。分段解码器的输出具有三个通道（与输入的空间大小相同），接着是用于三个肿瘤子区域的分段图的S形曲线。VAE分支将输入图像重建为自身，并且仅在训练期间用于规范化共享编码器。

编码器提取图像的特征，解码器重建图像的密集分割掩模。

该网络在NVIDIA的Tesla GPU的V100，以及使用cudnn加速TensorFlow深度学习框架的DGX-1服务器上进行了训练。Myronenko表示，“在训练期间，我们使用了尺寸为160x192x128的随机输出，确保大部分图像内容保留在分割区域内。”