مقاله تقسیم بندی تومور سه بعدی خودکار با استفاده از PatchGAN مکعب موقتی (TCUP-GAN)

چکیده

Development of robust general purpose 3D segmentation frameworks using the latest deep learning techniques is one of the active topics in various bio-medical domains. In this work, we introduce Temporal Cubic PatchGAN (TCuP-GAN), a volume-to-volume translational model that marries the concepts of a generative feature learning framework with Convolutional Long Short-Term Memory Networks (LSTMs), for the task of 3D segmentation. We demonstrate the capabilities of our TCuP-GAN on the data from four segmentation challenges (Adult Glioma, Meningioma, Pediatric Tumors, and Sub-Saharan Africa subset) featured within the 2023 Brain Tumor Segmentation (BraTS) Challenge and quantify its performance using LesionWise Dice similarity and $95\%$ Hausdorff Distance metrics. We demonstrate the successful learning of our framework to predict robust multi-class segmentation masks across all the challenges. This benchmarking work serves as a stepping stone for future efforts towards applying TCuP-GAN on other multi-class tasks such as multi-organelle segmentation in electron microscopy imaging.

چکیده به فارسی (ترجمه ماشینی)

توسعه چارچوب های تقسیم بندی سه بعدی هدف کلی با استفاده از آخرین تکنیک های یادگیری عمیق یکی از مباحث فعال در حوزه های مختلف پزشکی است.در این کار ، ما Patchgan مکعب موقتی (TCUP-GAN) ، یک مدل ترجمه حجم به حجم را معرفی می کنیم که با مفاهیم یک چارچوب یادگیری ویژگی تولیدی با شبکه های حافظه کوتاه مدت کوتاه مدت (LSTM) ازدواج می کند ، برای انجام کار سه بعدیتقسیم بندیما قابلیت های TCUP-GAN خود را در مورد داده های چهار چالش تقسیم بندی (گلیوما بزرگسالان ، مننژیوما ، تومورهای کودکان و زیر مجموعه های زیر صحرای آفریقا) نشان می دهیم که در بخش تقسیم تومور مغز 2023 (BRATS) به چالش کشیده شده و عملکرد آن را با استفاده از تانهای ضمیمه کمیت می کند.شباهت و معیارهای مسافت فاصله Hausdorff 95 $.ما یادگیری موفقیت آمیز چارچوب خود را برای پیش بینی ماسک های تقسیم بندی چند طبقه قوی در تمام چالش ها نشان می دهیم.این کار معیار به عنوان یک پله پله ای برای تلاش های آینده در جهت استفاده از TCUP-GAN در سایر کارهای چند طبقه مانند تقسیم بندی چند اندام در تصویربرداری میکروسکوپ الکترونی عمل می کند.