一种使用级联超像素与（深度）图像块标记的胰腺分割自底向上方法

鲁棒的自动器官分割是计算机辅助诊断（CAD）、定量影像分析和手术辅助的先决条件。对于胰腺等高变异性器官，以往方法报道的精度低得令人不满意。我们提出一种用于腹部 CT 扫描中胰腺分割的自底向上方法，该方法基于通过在不同分辨率下对图像块进行分类以及级联超像素来实现信息传播的层次结构。包含四个阶段：1）将 CT 切片图像分解为一组不相交的保边界超像素；2）通过稠密块标记计算胰腺类别概率图；3）在级联随机森林框架中，通过汇集强度和概率特征形成经验统计来分类超像素；4）基于简单连通性的后处理。稠密图像块标记通过以下方式实现：基于图像直方图、位置和纹理特征的高效随机森林分类器；以及在大图像窗口（具有更多空间上下文）上进行的更耗时（但特异性更好）的深度卷积神经网络分类。该方法的评估在一个包含 80 个手动分割 CT 体积的数据集上以六折交叉验证（CV）进行。我们取得的结果与最先进方法（通过“留一患者交叉验证”评估）相当或更好，Dice 为 70.7% 且 Jaccard 为 57.9%。计算效率大幅提升，约为 6~8 分钟，而其他方法每例约 10 小时。最后，我们使用相同数据集实现了一种多图谱标签融合（MALF）的胰腺分割方法。在六折 CV 下，我们的自底向上分割方法显著优于其 MALF 对应方法：Dice 为 (70.7 +/- 13.0%) 对比 (52.5 +/- 20.8%)。深度 CNN 块标记置信度提供了更好的数值稳定性，表现为更小的标准差。