分而治之：一个大规模数据集和模型用于左右乳腺 MRI 分割-计算机科学-机器学习-医学图像分割.pdfVIP

分而治之：一个大规模数据集和模型用于左

右乳腺MRI分割

MaximilianRokuss1,3,5∗,BenjaminHamm1,4∗,YannickKirchhoff1,3,5∗,KlausMaier-Hein1,2,3,4,5

1GermanCancerResearchCenter(DKFZ)Heidelberg,DivisionofMedicalImageComputing,Germany

2PatternAnalysisandLearningGroup,DepartmentofRadiationOncology,HeidelbergUniversityHospital

3FacultyofMathematicsandComputerScience,HeidelbergUniversity

4MedicalFaculty,HeidelbergUniversity,Germany

5HIDSS4Health,Karlsruhe/Heidelberg,Germany

{maximilian.rokuss,benjamin.hamm,yannick.kirchhoff}@dkfz-heidelberg.de

wwwgithubcom/MIC-DKFZ/BreastDivider

本

译

中介绍可扩展预训练，大规模数据集上的详细ROI标注可以

1乳腺癌仍然是全球女性发病率和死亡率的主要原因。作为各种下游应用的基础资产。

v

0磁共振成像（MRI）是检测、诊断和制定乳腺癌治疗

3计划的基石，提供高分辨率且非侵入性的乳房组织可虽然像Duke-Breast-Cancer-MRI数据集[7]和

8

3视化。医学影像和机器学习领域的必威体育精装版进展显著提高MAMA-MIA[8]这样的资源通过提供有限的全乳房分

1

.了对乳腺MRI数据的自动化分析能力，使更精确和可割掩模奠定了基础，并且经典图像处理方法可以提供粗

7

0扩展的诊断工具成为可能[1],[2]。然而，仍存在一个略的ROI估计[1]，但该领域仍然缺乏一个大规模、带

5关键差距：现有的算法往往无法明确分割并区分左右标注的数据集，能够提供详细的侧向特定乳房分割，其

2

:乳房作为不同的感兴趣区域（ROIs）。设计为基于单个数据集规模也适合模型预训练。

v

i

x乳房操作的模型在同时成像两个乳房或其中一个乳房

r

a缺失的情况下可能会遇到困难，例如，在乳房切除术后。为了解决这一需求，我们推出了首个公开的大规模乳

腺MRI数据集，该数据集具有明确的左右乳腺分割标

精确定位的ROI——例如左乳房和右乳房之间的清晰签。定性示例如图1所示。该数据集包含超过13,000

分离——可以支持包括分类[2]，基于提示的病变定个注释的3DMRI体积，使其成为迄今为止医学成像

位[3]，以及结构化报告生成[4]在内的一系列超出分中最大的分割数据集之一。此外，我们发布了一个基于

割的任务。在动态对比增强MRI中，多幅对比后图像nnU-Net[9]的强大的深度学习模型，该模型专门用于

是在基线扫描之后获取的，来自第一个时间点的可靠左右乳腺分割。我们的目标是建立一个基础资源，以实

ROI可以作为整个时间序列的空间先验。这使得能够现细粒度的乳腺MRI分析，支持下游任务，例如肿瘤

进行时态信息引导下的分割[5]，同时减少了对每个完检测和分类，并通过提供高质量的ROI来促进分而治

整体积单独进行分割的需求，提高了效率和一致性。与之的策略。

此同时，大型标注数据集正被积极用于医学影像领域深

度学习模型的预训练[6]。通过支持基于区域的建模和这一贡献不仅因其规模和质量而显著，还因其多样性

∗Co-firstauthorsmaylistthemselvesaslead