一种用于高效腹部多器官分割的具有分层空间特征变换的概率V-Net模型
图像与视频处理
2022-08-03 v1 计算机视觉与模式识别
摘要
从不同模态CT影像中准确且鲁棒的腹部多器官分割是一项具有挑战性的任务，原因在于腹部器官间及器官内形状与外观变化复杂。本文提出一种具有分层空间特征调制的概率多器官分割网络，以捕捉灵活的器官语义变体并将所学变体注入不同尺度特征图以引导分割。更具体地，我们通过条件变分自编码器设计输入分解模块，在低维潜空间上学习器官特定分布，并建模以输入图像为条件的更丰富器官语义变化。随后通过空间特征变换将这些所学变化分层整合进V-Net解码器，其能够将变化转换为用于空间特征图调制与引导精细分割的条件仿射变换参数。所提方法在公开可用的AbdomenCT-1K数据集上训练，并在另外两个开放数据集上评估，即来自AbdomenCT-1K全监督腹部器官分割基准的100例具有挑战性/病理性测试患者病例，以及来自TCIA+&BTCV数据集的90例。使用这些数据集对肝脏、肾脏、脾脏和胰腺四个腹部器官取得了极具竞争力或更优的定量分割结果，报道的Dice分数对肾脏提升7.3%、对胰腺提升9.7%，同时比两种强基线分割方法(nnUNet和CoTr)快约7倍。
引用
@article{arxiv.2208.01382,
title = {A New Probabilistic V-Net Model with Hierarchical Spatial Feature Transform for Efficient Abdominal Multi-Organ Segmentation},
author = {Minfeng Xu and Heng Guo and Jianfeng Zhang and Ke Yan and Le Lu},
journal= {arXiv preprint arXiv:2208.01382},
year = {2022}
}
备注
12 pages, 6 figures