一种用于3D头颈部CT图像中精确器官分割的新型混合卷积神经网络
图像与视频处理
2021-09-28 v1 计算机视觉与模式识别
摘要
放射治疗（RT）在临床上广泛用于头颈部（HaN）癌症的治疗。RT计划的一个关键步骤是在HaN CT图像中精确分割各种危及器官（OARs）。然而，考虑到典型的HaN CT图像包含数十到数百层切片，手动分割OARs耗时、繁琐且容易出错，因此迫切需要自动化分割算法。近来，卷积神经网络（CNNs）在此任务上得到了广泛研究。特别是，3D CNNs常被用来处理3D HaN CT图像。朴素的3D CNNs存在两个问题。首先，3D CT图像的深度分辨率通常比平面内分辨率低数倍。不加区分地直接使用3D CNNs可能导致提取出扭曲的图像特征，并影响最终的分割性能。其次，存在严重的类别不平衡问题，大器官可能比小器官大数个数量级。同时对所有器官实现精确分割十分困难。为解决这些问题，我们提出了一种融合2D和3D卷积的新型混合CNN，以应对不同的空间分辨率，并从3D HaN CT图像中提取有效的边缘和语义特征。为了兼顾大器官和小器官，我们的最终模型名为OrganNet2.5D，仅包含两次而非经典的四次下采样操作，并引入了混合空洞卷积以保持感受野。在MICCAI 2015挑战数据集上的实验表明，与最先进的方法相比，OrganNet2.5D取得了有竞争力的性能。
引用
@article{arxiv.2109.12634,
title = {A Novel Hybrid Convolutional Neural Network for Accurate Organ Segmentation in 3D Head and Neck CT Images},
author = {Zijie Chen and Cheng Li and Junjun He and Jin Ye and Diping Song and Shanshan Wang and Lixu Gu and Yu Qiao},
journal= {arXiv preprint arXiv:2109.12634},
year = {2021}
}
备注
10 pages, 2 figures