【脑肿瘤分割】Deep learning based brain tumor segmentation: a survey

概述

这是一篇22年的脑肿瘤分割的综述，作者在文中简单阐述了基于深度学习方法的发展过程，并把当前的方法大致分为三类，分别是具有有效架构的方法、处理不平衡状态的方法和利用多模态信息的方法。

细节

基本概念

神经胶质瘤：是起源于神经胶质细胞的最原发性脑肿瘤之一，可以分为4级，I级和II级是低级胶质瘤（LGG），接近良性，增长缓慢。 III 级和 IV 级是高级别胶质瘤 (HGG)，具有癌性和侵袭性。
主要数据：MRI（核磁共振）数据
脑肿瘤分割定义：给定来自一个或多个图像模态的输入图像（比如MRI序列），该系统旨在通过将输入数据的每个体素或像素分类到预设的肿瘤区域类别中，从正常组织中自动分割出肿瘤区域

研究难点

Location uncertainty：神经胶质瘤是从围绕神经细胞的胶状细胞突变而来的。由于胶状细胞的广泛空间分布，高级别胶质瘤 (HGG) 或低级别胶质瘤 (LGG) 可能出现在大脑内的任何位置。

Morphological uncertainty：与刚性物体不同，形态，例如不同脑肿瘤的形状和大小差异很大，不确定性很大。作为脑肿瘤的外层，水肿组织表现出不同的流体结构，几乎没有提供任何描述肿瘤形状的先验信息。肿瘤的子区域的形状和大小也可能不同。

Low contrast：由于图像投影和断层扫描过程，MRI 图像可能质量低且对比度低。生物组织之间的边界趋于模糊，难以检测。边界附近的单元格难以分类。

Annotation bias：人工标注高度依赖个人经验，在数据标注过程中会引入标注偏差。

Imbalanced issue：不同肿瘤区域存在不平衡的体素数量。例如，坏死/非增强肿瘤核心 (NCR/ECT) 区域比其他两个区域小得多。

相关研究分类

网络设计

设计更加有效的分割网络：设计有效的模块和设计网络结构。
设计有效的模块的原则：1、在得到高级语义特征的同时得到充足的细粒度特征；2、减少网络参数量并加快速度，从而节省计算时间和资源；3、前两点就对应了两种模块设计的方向
设计网络结构：多路劲、Encoder–decoder结构

类别不均衡问题

类别不平衡问题下的分割网络（原因）：单样本中不同脑肿瘤区域的像素点数不平衡、总体样本中肿瘤级别不平衡、人工标注引入的不平衡。
类别不平衡问题下的分割网络（解决方法）：多网络驱动、多任务驱动和自定义损失函数驱动
多网络驱动：网络级联、网络集成
多任务驱动：网络同时处理多个任务，来自相关任务的信息可能会提高肿瘤分割的性能
自定义损失函数驱动：在标准损失函数的基础上添加额外的项引导网络的学习过程

利用多模态信息

原因：因为不同的MRI模态强调不同的信息。
分类：利用多模态信息以及缺少模态的有限信息处理
利用多模态信息：可以分为三类：Learning to Rank,Learning to Pair and Learning to Fuse.

常用数据集与评价指标

两个竞赛：Ischemic Stroke Lesion Segmentation (ISLES) challenge以及MICCAI Multimodal Brain Tumor Segmentation Challenge
两个数据集：ISLES中的数据集以及BraTS数据集
评价指标：Dice Score , Sensitivity (True Positive Rate) , Specificity (True Negative Rate) and Hausdorff Distance

BraTS数据集中的数据：共有四种模态数据：flair, t1ce, t1, t2，每个模态的数据大小都为 240 x 240 x 155，且共享分割标签，都采用nii格式数据且分割标签：[0, 1, 2, 4]，分别表示：

label 0：背景（bachground）
label 1：坏疽（NET, necrotic tumor core）
label 2：浮肿区域（ED,peritumoral edema）
label 4：增强肿瘤区域（ET,enhancing tumor）

然后这些标签合并为3个嵌套的子区域: whole tumor (WT), tumor core (TC) and enhancing tumor (ET)，即：

WT = ED + ET + NET
TC = ET+NET
ET