基于图卷积网络精修的 3D PETCT 肿瘤病灶分割
图像与视频处理
2023-02-27 v1 计算机视觉与模式识别
医学物理
摘要
全身 PET/CT 扫描是诊断多种恶性肿瘤（如恶性黑色素瘤、淋巴瘤或肺癌）的重要工具，而肿瘤的准确分割是后续治疗的关键环节。近年来，基于 CNN 的分割方法已被广泛研究。然而，这些方法常给出不准确的分割结果，如过分割与欠分割。因此，为解决此类问题，我们提出一种基于图卷积神经网络（GCN）的后处理方法，以精修不准确的分割部分并提升整体分割精度。首先，使用 nnUNet 作为初始分割框架，并分析分割结果中的不确定性。确定性与不确定性节点构成图神经网络的节点。每个节点与其 6 个邻域构成一条边，并为不确定性节点随机选取 32 个节点构成边。高不确定性节点被作为后续精修目标。其次，将确定性节点的 nnUNet 结果作为标签，构成半监督图网络问题，并通过训练 GCN 网络优化不确定性部分以提升分割性能。这即我们提出的 nnUNet-GCN 分割框架。我们在 MICCAI2022 autoPET 挑战赛的 PET/CT 数据集上进行肿瘤分割实验。其中随机选取 30 例进行测试，实验结果表明 nnUNet-GCN 精修有效降低了假阳性率。在量化分析中，平均 Dice 系数提升 2.12%，95% Hausdorff 距离（HD95）提升 6.34，平均对称表面距离（ASSD）提升 1.72。定量与定性评估结果均表明，GCN 后处理方法能有效改善肿瘤分割性能。
引用
@article{arxiv.2302.12571,
title = {3D PETCT Tumor Lesion Segmentation via GCN Refinement},
author = {Hengzhi Xue and Qingqing Fang and Yudong Yao and Yueyang Teng},
journal= {arXiv preprint arXiv:2302.12571},
year = {2023}
}
备注
10 pages,5 figures,38 reference