基于分类的自适应分割管线: 使用多囊肝疾病和结直肠癌转移灶的 CT 图像可行性研究
图像与视频处理
2024-05-06 v1 计算机视觉与模式识别
医学物理
摘要
自动化分割工具在应用于不同病理图像时常遇到准确率和适应性问题。本研究旨在探索构建一种高效将图像路由到特定分割模型的工作流程的可行性。通过实现基于深度学习的分类器自动对图像进行分类并将其路由到合适的分割模型，我们希望该工作流程能够准确地对不同病理的图像进行分割。本研究使用的数据为患者接受多囊肝疾病和结直肠癌肝转移灶 CT 影像各 350 例。所有影像均由专业放射影像分析师手动分割。我们提出的自适应分割工作流程在总肝分割任务上相较于通用单一分割模型（非参数 Wilcoxon 符号秩检验，n=100，p 值 << 0.001）实现了统计显著的改进。该方法适用于广泛的场景，应在临床分割管线的实现中发挥作用。
引用
@article{arxiv.2405.01644,
title = {A Classification-Based Adaptive Segmentation Pipeline: Feasibility Study Using Polycystic Liver Disease and Metastases from Colorectal Cancer CT Images},
author = {Peilong Wang and Timothy L. Kline and Andy D. Missert and Cole J. Cook and Matthew R. Callstrom and Alex Chan and Robert P. Hartman and Zachary S. Kelm and Panagiotis Korfiatis},
journal= {arXiv preprint arXiv:2405.01644},
year = {2024}
}
备注
J Digit Imaging. Inform. med. (2024)