基于器官注意力网络与统计融合的腹部多器官分割
计算机视觉与模式识别
2019-04-19 v1
摘要
在 CT 上准确且鲁棒地分割腹部器官，对于计算机辅助诊断和计算机辅助手术等许多临床应用至关重要。但鉴于器官边界模糊、背景复杂以及不同器官尺寸多变，该任务具有挑战性。为应对这些挑战，我们引入了一种新颖的多器官分割框架，使用带反向连接的器官注意力网络（OAN-RCs）应用于 3D CT 体的 2D 视图，并输出由利用结构相似性的统计融合所组合的估计结果。OAN 是一个两阶段深度卷积网络，其中第一阶段的深度网络特征在第二阶段与原图结合，以减少复杂背景并增强目标器官的判别信息。RCs 加于第一阶段，为较低层提供语义信息，从而使其适应不同器官的尺度。我们的网络在 2D 视图上训练，使我们能利用整体信息并实现高效计算。为弥补原始 3D 体 CT 有限的截面信息，从三个不同 2D 视图方向重建多截面图像。随后我们使用统计融合结合不同视图的分割结果，其中引入了一项将 2D 视图的结构相似性与原始 3D 结构相关联的新颖项。为训练网络并评估结果，由四名人类标注者在 236 例正常病例上手动标注了 13 个结构，并经资深专家确认。我们测试了算法并计算了 Dice-Sorensen 相似系数与表面距离以评估对 13 个结构的估计。实验表明，所提方法优于基于 2D 和 3D patch 的当前最优方法。
引用
@article{arxiv.1804.08414,
title = {Abdominal multi-organ segmentation with organ-attention networks and statistical fusion},
author = {Yan Wang and Yuyin Zhou and Wei Shen and Seyoun Park and Elliot K. Fishman and Alan L. Yuille},
journal= {arXiv preprint arXiv:1804.08414},
year = {2019}
}
备注
21 pages, 11 figures