一种渐进训练的尺度不变且边界感知深度神经网络用于肺病变自动三维分割
计算机视觉与模式识别
2018-11-13 v1
摘要
CT 扫描上病灶的体积分割对许多分析至关重要，包括临床试验中病灶生长动力学建模与放射组学特征的机器学习。手动分割费力且在大规模使用中不切实际。对于常规临床使用，以及在应用实体瘤疗效评价标准 (RECIST) 的临床试验中，临床医生通常在单张切片上勾画病灶边界以提取直径测量值。本工作中，我们收集了一个名为 LesionVis 的大规模数据库，带有 RECIST 切片上像素级手动 2D 病灶描迹。为将 2D 分割扩展到 3D，我们提出一种体积渐进病灶分割 (PLS) 算法，使用尺度不变且边界感知的深度卷积网络 (SIBA-Net) 从 2D 描迹自动分割 3D 病灶体积。SIBA-Net 应对了当 PLS 从 RECIST 切片推进到边缘切片时病灶的尺寸过渡，以及在对多个时间点尺寸变化的病灶进行纵向评估时的尺寸过渡。所提出的 PLS-SiBA-Net (P-SiBA) 方法在来自 LesionVis 的肺部病灶病例上评估。我们的实验结果表明，P-SiBA 方法达到 0.81 的平均 Dice 相似系数 (DSC)，相比先前提出的方法（在 LesionVis 上最高平均 DSC 为 0.78）显著提高了 3D 分割精度。总之，通过利用 RECIST 切片上有限的 2D 描迹，P-SiBA 是一种有效的半监督方法，可生成准确的 3D 病灶分割。
引用
@article{arxiv.1811.04437,
title = {A Progressively-trained Scale-invariant and Boundary-aware Deep Neural Network for the Automatic 3D Segmentation of Lung Lesions},
author = {Bo Zhou and Randolph Crawford and Belma Dogdas and Gregory Goldmacher and Antong Chen},
journal= {arXiv preprint arXiv:1811.04437},
year = {2018}
}
备注
10 pages, 7 figures, 3 tables, accepted by 2019 IEEE Winter Conference on Applications of Computer Vision (2019 WACV)