一种利用深度空间与形状学习从胸部 X 光片进行肺野分割的通用方法
计算机视觉与模式识别
2018-07-13 v1
摘要
从胸部 X 光片(CXR)进行肺野分割的计算机辅助诊断(CAD)技术已针对成人队列提出，但极少针对儿科受试者。统计形状模型(SSMs)——大多数最先进基于 CXR 的肺野分割方法的主力——不能有效适应儿科发育阶段肺野的形状变化。我们工作的主要贡献为：(1) 一种适应成人与儿科队列大形状变化的基于 CXR 的通用肺野分割框架；(2) 一种用于鲁棒目标定位的深度表示学习检测机制，即\emph{集成空间学习}；以及 (3) 用于形状形变参数估计的\emph{边缘形状深度学习}。与常规 SSM 的迭代方法不同，所提出的形状学习机制将参数空间变换为可使用递归表示学习机制高效求解的边缘子空间。此外，我们的方法首次将具挑战性的心后区域纳入基于 CXR 的肺分割中以进行准确肺容量估计。该框架在 668 张 3 个月至 89 岁患者的 CXR 上评估。我们得到平均 Dice 相似系数 (包含心后区域)。对于给定的准确率，所提方法也比常规基于 SSM 的迭代分割方法更快。所提通用框架的计算简洁性可类似地应用于其他可形变物体的快速分割。
引用
@article{arxiv.1807.04339,
title = {A Generic Approach to Lung Field Segmentation from Chest Radiographs using Deep Space and Shape Learning},
author = {Awais Mansoor and Juan J. Cerrolaza and Geovanny Perez and Elijah Biggs and Kazunori Okada and Gustavo Nino and Marius George Linguraru},
journal= {arXiv preprint arXiv:1807.04339},
year = {2018}
}