基于级联卷积与对抗深度网络的腹部多器官分割
图像与视频处理
2020-01-29 v1 计算机视觉与模式识别
机器学习
摘要
目的:腹部解剖分割对于从计算机辅助诊断到图像引导手术的众多应用至关重要。在此背景下,我们利用深度学习解决腹部 CT 和 MR 图像的全自动多器官分割问题。方法:所提模型扩展了标准条件生成对抗网络。除判别器强制模型生成逼真器官轮廓外,它嵌入了作为生成器的级联部分预训练卷积编码器-解码器。从大量非医学图像进行编码器微调缓解了数据稀缺限制。该网络端到端训练,以利用使用 auto-context 的同步多级分割细化获益。结果:用于健康肝脏、肾脏和脾脏分割时,我们的流程通过超越最先进的编码器-解码器方案提供了有前景的结果。在 2019 年 IEEE 国际生物医学成像研讨会联合举办的 Combined Healthy Abdominal Organ Segmentation (CHAOS) 挑战赛中,我们在三个竞赛类别获得第一:肝脏 CT、肝脏 MR 和多器官 MR 分割。结论:结合级联卷积与对抗网络增强了深度学习流程自动描绘多个腹部器官的能力,具有良好的泛化能力。意义:所提供的综合评估表明,可实现对临床医生的腹部图像解读和临床决策制定更好的引导。
引用
@article{arxiv.2001.09521,
title = {Abdominal multi-organ segmentation with cascaded convolutional and adversarial deep networks},
author = {Pierre-Henri Conze and Ali Emre Kavur and Emilie Cornec-Le Gall and Naciye Sinem Gezer and Yannick Le Meur and M. Alper Selver and François Rousseau},
journal= {arXiv preprint arXiv:2001.09521},
year = {2020}
}