基于弱监督配准的前列腺分割框架：统计形状模型与CNN的结合
图像与视频处理
2020-07-31 v2 计算机视觉与模式识别
摘要
在前列腺介入操作（如前列腺活检、病灶检测与靶向治疗）中，目标的精确定位是必不可少的步骤。然而，由于组织边界模糊或部分解剖边界缺失，某些情况下前列腺勾画较为困难。为此，我们提出了一种结合卷积神经网络（CNN）与统计形状模型（SSM）的弱监督基于配准的前列腺精确分割框架。为获取前列腺区域，首先利用基于Inception的神经网络（SSM-Net）预测模型变换、形状控制参数及微调向量，以生成前列腺边界。依据推断出的边界，计算归一化距离图。随后，采用残差U-net（ResU-Net）从输入图像中预测概率标签图。最后，将距离图与概率图的平均值作为前列腺分割结果。之后，使用两个公开数据集PROMISE12与NCI-ISBI 2013进行模型计算及网络训练与测试。验证结果表明，采用含9500个节点的SSM的分割框架性能最佳，Dice系数为0.904，平均表面距离为1.88 mm。此外，我们验证了模型弹性增强与微调项对网络分割能力的影响。结果表明，两项因素均提升了勾画精度，Dice系数分别提高10%与7%。综上，通过结合两个弱监督神经网络，我们的分割方法可作为一种有效且鲁棒的前列腺分割途径。
引用
@article{arxiv.2007.11726,
title = {A weakly supervised registration-based framework for prostate segmentation via the combination of statistical shape model and CNN},
author = {Chunxia Qin and Xiaojun Chen and Jocelyne Troccaz},
journal= {arXiv preprint arXiv:2007.11726},
year = {2020}
}
备注
there are some mistakes on the section of introduction. Several groups already have reported different prostate segmentation methods which involved prior information. However, we said that there isn't research combined prior information