用于腹部多器官分割的 3D 全卷积网络多尺度金字塔
计算机视觉与模式识别
2018-06-07 v1
摘要
深度学习的最新进展，如 3D 全卷积网络（FCN），已提升了医学图像密集语义分割的技术水平。然而，大多数网络架构需要对图像进行大幅下采样或裁剪，以满足当今 GPU 显卡的内存限制，同时仍需考虑图像中足够的上下文信息以实现准确分割。在本工作中，我们提出了一种新方法，该方法利用自动上下文（auto-context）在堆叠 3D FCN 的多尺度金字塔中以更高分辨率执行语义分割。我们在一个包含 377 张用于胃部外科手术的临床 CT 图像的数据集上训练并验证了我们的模型，该数据集带有手动标注的腹部器官和血管，取得了平均接近 90% 的 Dice 分数的良好结果。为进一步评估，我们在来自不同来源的数据集上进行了单独测试，取得了具有竞争力的结果，证明了模型与方法的鲁棒性。
引用
@article{arxiv.1806.02237,
title = {A multi-scale pyramid of 3D fully convolutional networks for abdominal multi-organ segmentation},
author = {Holger R. Roth and Chen Shen and Hirohisa Oda and Takaaki Sugino and Masahiro Oda and Yuichiro Hayashi and Kazunari Misawa and Kensaku Mori},
journal= {arXiv preprint arXiv:1806.02237},
year = {2018}
}
备注
Accepted for presentation at the 21st International Conference on Medical Image Computing and Computer Assisted Intervention - MICCAI 2018, September 16-20, Granada, Spain