基于解剖感知多类分割与拓扑引导迭代学习的 CT 扫描精准气道树分割
图像与视频处理
2023-06-16 v1 计算机视觉与模式识别
摘要
计算机断层扫描（CT）中的胸内气道分割是慢性阻塞性肺疾病（COPD）、哮喘和肺癌等多种呼吸道疾病分析的前提。与其他形状或拓扑较简单的器官不同，气道复杂的树状结构给生成“金标准”标签带来了难以承受的负担（每例需 7 或 3 小时的手动或半自动标注）。现有大多数气道数据集标注不完整，从而限制了计算机分割气道的完整性。本文提出一种由拓扑引导迭代自学习增强的新型解剖感知多类气道分割方法。基于自然气道解剖，我们构建了一个简单却高效的解剖感知多类分割任务，直观地处理气道严重的类内不平衡。为解决标注不完整问题，我们提出一种定制自迭代学习方案以向完整气道树分割迈进。为生成伪标签以实现更高灵敏度，我们引入一种新颖的断裂注意力图，并设计拓扑引导伪标签精炼方法，通过迭代连接初始伪标签中普遍存在的断裂分支。我们在四个数据集（含两项公开挑战赛）上进行了广泛实验。所提方法在 EXACT'09 挑战赛（按平均得分）与 ATM'22 挑战赛（按加权平均得分）中均排名第 1。在一个公开 BAS 数据集与一个私有肺癌数据集上，我们的方法显著优于以往领先方法，多提取至少（绝对）7.5% 的树长与 4.0% 的树分支，且保持相近精度。
引用
@article{arxiv.2306.09116,
title = {Accurate Airway Tree Segmentation in CT Scans via Anatomy-aware Multi-class Segmentation and Topology-guided Iterative Learning},
author = {Puyang Wang and Dazhou Guo and Dandan Zheng and Minghui Zhang and Haogang Yu and Xin Sun and Jia Ge and Yun Gu and Le Lu and Xianghua Ye and Dakai Jin},
journal= {arXiv preprint arXiv:2306.09116},
year = {2023}
}