一种用于胰腺分割的模型驱动栈式全卷积网络
计算机视觉与模式识别
2020-10-20 v3
摘要
人体胰腺在计算机断层扫描（CT）中不规则的几何形状与较高的切片间变异性，使得现有数据驱动的深度学习方法难以准确分割这一关键器官。为解决该问题，我们提出一种新颖的模型驱动栈式全卷积网络及滑动窗口融合算法用于胰腺分割，称为 MDS-Net。MDS-Net 的代价函数包含一个数据逼近项和一个先验知识正则项，并结合栈式方案以捕获与融合二维（2D）及局部三维（3D）上下文信息。具体而言，3D CT 扫描被划分为多个栈以捕获局部空间上下文特征。为凸显单张切片的重要性，栈数据中的切片间关系也被纳入 MDS-Net 框架。为实现该模型驱动方法，我们创建了基于栈的 U-Net 架构，并成功推导其端到端训练的反向传播过程。此外，利用滑动窗口融合算法提升相邻 CT 切片及栈内的一致性。最后，在 NIH Pancreas-CT 数据集上的大量定量评估表明，MDS-Net 相较于其他最先进（state-of-the-art）方法具有更高的胰腺分割精度与可靠性。
引用
@article{arxiv.1903.00832,
title = {A Model-Driven Stack-Based Fully Convolutional Network for Pancreas Segmentation},
author = {Hao Li and Jun Li and Xiaozhu Lin and Xiaohua Qian},
journal= {arXiv preprint arXiv:1903.00832},
year = {2020}
}