用于准确高效结直肠肿瘤分割的 3D RoI 感知 U-Net
计算机视觉与模式识别
2021-05-25 v5
摘要
从 3D 磁共振（MR）图像中分割结直肠癌区域是放疗的关键步骤，传统上需要精确勾画肿瘤边界，但耗费人力、时间且可重复性有限。虽然基于深度学习的方法在 3D 图像分割任务中提供了良好的基线，但较小的适用块大小限制了有效感受野并降低了分割性能。此外，从大尺寸整体体积 3D 图像中定位感兴趣区域（RoIs）作为一项前置操作，在速度、目标完整性、减少假阳性方面带来多重益处。不同于滑动窗口或基于非联合定位-分割的模型，我们提出了一种称为 3D RoI 感知 U-Net（3D RU-Net）的新型多任务框架，用于 RoI 定位与区域内分割，其中两项任务共享一个主干编码器网络。利用编码器的区域提议，我们从编码器裁剪多级 RoI 区域内特征以构成节省 GPU 内存的解码器，用于保细节分割，从而增大了适用体积大小与有效感受野。为有效训练模型，我们为全局到局部多任务学习过程设计了基于 Dice 的损失函数。基于效率增益，我们进一步集成具有不同感受野的模型，以微小的额外计算开销代价实现更高性能。在 64 个癌症病例上进行了四折交叉验证的广泛实验，结果显示在 accuracy 与 efficiency 上相较传统框架具有显著优越性。总之，由于其固有的泛化能力，所提方法在扩展至医学图像中其他 3D 对象分割任务方面具有巨大潜力。所提方法的代码已公开可用。
引用
@article{arxiv.1806.10342,
title = {3D RoI-aware U-Net for Accurate and Efficient Colorectal Tumor Segmentation},
author = {Yi-Jie Huang and Qi Dou and Zi-Xian Wang and Li-Zhi Liu and Ying Jin and Chao-Feng Li and Lisheng Wang and Hao Chen and Rui-Hua Xu},
journal= {arXiv preprint arXiv:1806.10342},
year = {2021}
}
备注
IEEE transactions on cybernetics (2020)