用于胸部 CT 中多器官分割的二维膨胀残差 U-Net
计算机视觉与模式识别
2019-05-21 v1 图像与视频处理
摘要
在计算机断层扫描（CT）中自动分割危险器官（OAR）是制定对抗肺癌和食管癌有效治疗策略的关键环节。准确分割肿瘤周围器官有助于考虑患者间固有的位置和形态差异，从而促进自适应和计算机辅助放疗。尽管手动勾画 OAR 仍十分普遍，但由于患者间器官形状和位置复杂多变，以及 CT 图像中相邻器官间软组织对比度低，它容易出现误差。近来，深度卷积神经网络（CNN）获得了极大关注，并在医学图像分割中取得了最先进的结果。本文中，我们提出一种深度学习框架来分割胸部 CT 图像中的 OAR，具体为：心脏、食管、气管和主动脉。我们的方法在 U-Net 风格网络的瓶颈处采用膨胀卷积与聚合残差连接，以融入全局上下文与密集信息。我们的方法在 ISBI 2019 SegTHOR 挑战赛的 20 个未见测试样本上取得了 91.57% 的总体 Dice 分数。
引用
@article{arxiv.1905.07710,
title = {A 2D dilated residual U-Net for multi-organ segmentation in thoracic CT},
author = {Sulaiman Vesal and Nishant Ravikumar and Andreas Maier},
journal= {arXiv preprint arXiv:1905.07710},
year = {2019}
}
备注
ISBI-SegTHOR 2019 Challenge