用于胰腺肿块分割、诊断与定量患者管理的三维图解剖几何集成网络
图像与视频处理
2020-12-10 v1 计算机视觉与模式识别
摘要
胰腺疾病分类包含十种类型的肿块(肿瘤或囊肿)[20,8]。先前的工作侧重于仅针对某些肿块类型开发分割或分类方法。所有肿块类型的鉴别诊断在临床上是高度期望的[20]，但尚未使用自动化图像理解方法进行探究。我们利用了使用多期相 CT 成像区分胰腺导管腺癌(PDAC)与其余九种非 PDAC 肿块的可行性。图像外观与三维器官-肿块几何关系都至关重要。我们提出了一种整体分割-网格-分类网络(SMCN)，通过充分利用几何与位置信息来提供患者级诊断，这是通过结合解剖结构与语义检测即分割网络来实现的。SMCN 学习胰腺和肿块分割任务，并通过在原始分割掩码(即掩码到网格)上逐步变形胰腺原型来构建解剖对应感知的器官网格模型。开发了一种新的基于图的残差卷积网络(Graph-ResNet)，其节点融合网格模型的信息与从分割网络提取的特征向量，以产生患者级鉴别分类结果。在 661 名患者的 CT 扫描(每名患者五期相)上的大量实验表明，与强基线方法 nnUNet 相比，SMCN 可改善肿块分割与检测精度(例如，对于非 PDAC，Dice：0.611 对 0.478；检测率：89% 对 70%)，在区分 PDAC 与非 PDAC 方面达到与专家放射科医生相似的敏感性与特异性(即 94% 与 90%)，并取得与结合临床、影像和分子检测用于患者临床管理的多模态检测[20]相当的结果。
引用
@article{arxiv.2012.04701,
title = {3D Graph Anatomy Geometry-Integrated Network for Pancreatic Mass Segmentation, Diagnosis, and Quantitative Patient Management},
author = {Tianyi Zhao and Kai Cao and Jiawen Yao and Isabella Nogues and Le Lu and Lingyun Huang and Jing Xiao and Zhaozheng Yin and Ling Zhang},
journal= {arXiv preprint arXiv:2012.04701},
year = {2020}
}