基于深度学习的 T2 加权磁共振成像前列腺分割方法
图像与视频处理
2020-01-01 v2 机器学习
机器学习
摘要
我们提出一种基于卷积神经网络(CNNs)的 T2 加权磁共振成像(MRI)中前列腺精确分割的新自动方法。由于前列腺在形状、大小和外观上的大变异性以及标注训练数据的稀缺，我们建议训练两个独立的 CNN。一个全局 CNN 将确定前列腺边界框，随后被重采样并送入一个局部 CNN 以精确勾画前列腺边界。如此，局部 CNN 能有效学习利用少量可用训练数据分割区分前列腺与周围组织的精细细节。为充分利用训练数据，我们通过使用习得形状模型形变训练图像与分割来合成额外数据。我们将所提方法应用于 PROMISE12 挑战数据集并取得了当前最优(state of the art)结果。我们提出的方法生成准确、平滑且无伪影的分割。在测试图像上，我们取得了 90.6 的平均 Dice 分数，标准差仅 2.2，优于以往所有方法。我们的两步分割方法与数据增强策略在从少量标注医学图像分割其他器官时可能极为有效。
引用
@article{arxiv.1901.09462,
title = {A deep learning-based method for prostate segmentation in T2-weighted magnetic resonance imaging},
author = {Davood Karimi and Golnoosh Samei and Yanan Shao and Septimiu Salcudean},
journal= {arXiv preprint arXiv:1901.09462},
year = {2020}
}