結合深度學習與影像處理評估惡性膠質瘤侵犯側腦室程度

Abstract

膠質瘤一般分成四個等級，Grade I 及 Grade II 為低惡性度，而 Grade III 及 Grade IV 為高惡性度。根據研究顯示，高惡性度的膠質瘤若是侵犯側腦室，預後結果通常較差。在已公開的方法中，目前只有測量膠質瘤有無侵犯側腦室，尚未能夠評估膠質瘤侵犯側腦室之程度。近期深度學習快速發展，在許多不同的領域都有著重大的影響。 本論文透過深度學習的方法來自動分割出側腦室區域，以及高惡性膠質瘤，得到分割完的影像後，再用影像處理方法計算出膠質瘤侵犯側腦室的距離。在深度學習方面使用的網路架構為基於 Fully Convolutional Networks (FCN) 的概念所做的改進架構 U-Net，而 U-Net 的架構有助於將向量再轉換回影像的過程中不失真。在影像處理的方法則是將深度學習完預測得到之影像，找出側腦室與腫瘤之間的最短距離，計算的過程中使用了二分搜尋法來加快運算效能。本論文使用 Dice分數做為評估分割結果的呈現，經過訓練集 258 筆資料後的模型，在測試集共 115 位病患中，分別對側腦室和腫瘤做 Dice 分數的計算，側腦室 Dice 平均為 0.91、腫瘤 Dice 平均為 0.83，而侵入程度則是從 1 毫米至 40 毫米不等。 本論文透過結合深度學習及影像處理中的距離計算之方法，來達成評估惡性膠質瘤侵犯側腦室之程度，透過此資訊可在臨床上的治療或是研究上有不同的突破。