基于集成学习的神经母细胞瘤语义分割及半透明可视化

摘要

神经母细胞瘤是一种形态复杂多变的肿瘤，肿瘤的位置、形状和大小差异显著，且常伴随重要解剖结构的包绕，肿瘤与周围组织的边界模糊，导致术前评估与手术规划面临巨大挑战.为提升术前诊疗的智能化与可视化水平，本文提出了一种基于集成学习的神经母细胞瘤语义分割及半透明三维可视化方法.在语义分割部分，本文基于预训练的nnU-Net架构构建了能够使用多模态医学图像作为输入的分割框架，并在推理阶段引入了一种基于验证集Dice分数的加权投票集成策略.与nnU-Net默认的等权平均集成不同，该策略根据模型性能分配融合权重，使表现更优的模型在最终预测中占据更大权重，从而在保持整体稳定性的同时提升了分割精度.本方法在SPPIN 2023挑战赛提供的儿童神经母细胞瘤数据集上开展了对比实验，该方法在Dice系数、Hausdorff距离与体积相似性等指标上均优于主流方法.此外，为进一步验证投票集成策略的有效性，我们在BraTS2021给出的脑肿瘤数据集上进行了消融实验，证明了投票策略确实有效.在肿瘤可视化部分，本文使用了一种基于随机点采样的半透明三维可视化方法，通过将分割后的结果进行点云化，并进行多子集点云的统计融合，在无需深度排序的条件下实现快速渲染，实现了肿瘤和周围器官的半透明可视化.本文提出的可视化方案可以提升术前空间理解效率，为复杂病例的术前辅助决策提供直观、精准的视觉支持，具备良好的临床应用前景.

关键词

语义分割 / 半透明可视化 / 神经母细胞瘤 / 集成学习 / 多模态核磁共振

基金资助

国家科技重大专项资助项目（2022ZD0118001）; 国家自然科学基金资助项目（62406024,62332017,U22A2022）; 北京科技大学青年教师交叉学科研究资助项目（FRF-IDRY23-001）