用于CT中食管分割的3D全卷积神经网络与随机游走方法
计算机视觉与模式识别
2017-04-24 v1
摘要
危险器官（OAR）的精确勾画是放疗治疗规划中的关键任务，旨在向肿瘤递送高剂量同时保护健康组织。近年来算法展现出高性能，并有可能对许多OAR实现自动化勾画。然而，对于某些OAR，精确勾画仍具挑战性。具有多变形状和低对比度的食管属于此类结构。为解决这些问题，我们提出了一种3D全卷积神经网络（CNN）驱动的随机游走（RW）方法，用于在CT上自动分割食管。首先，由CNN生成软概率图。然后在概率图上拟合活动轮廓模型（ACM）以获得中心线的初步估计。CNN和ACM的输出连同CT Hounsfield值一起用于驱动RW。评估和训练在50个具有同行评审食管轮廓的CT上进行。结果根据空间重叠和形状相似性进行评估。生成的轮廓与参考相比，平均Dice系数为0.76，平均对称平方距离为1.36 mm，平均Hausdorff距离为11.68。这些数值意味着与参考轮廓非常吻合，且精度较其他方法有所提高。我们表明，通过采用CNN可获得食管位置的准确估计，并通过后处理RW步骤进行细化。与先前方法相比的主要优势之一在于我们的网络以3D方式执行卷积，充分利用3D空间上下文并高效精确地进行体素级预测。整个分割过程完全自动，产生的食管勾画与所用金标准非常一致，表明其可与已发表方法竞争。
引用
@article{arxiv.1704.06544,
title = {A 3D fully convolutional neural network and a random walker to segment the esophagus in CT},
author = {Tobias Fechter and Sonja Adebahr and Dimos Baltas and Ismail Ben Ayed and Christian Desrosiers and Jose Dolz},
journal= {arXiv preprint arXiv:1704.06544},
year = {2017}
}