基于带假阳性抑制与形状约束的深度体到体回归网络在头部 CT 内耳精准检测中的应用
计算机视觉与模式识别
2018-06-14 v1
摘要
人工耳蜗（CIs）是治疗听力损失患者的神经假体。CIs 使用一组电极，通过手术植入耳蜗以刺激听神经末梢。术后需要对 CIs 进行编程。研究表明，从医学图像中得出的耳蜗内解剖结构与电极之间的空间关系可指导 CI 编程，并显著改善听力效果。然而，临床头部 CT 图像通常来自不同品牌、采用不同协议的扫描仪，因此视野差异很大，在应用电极定位和耳蜗内解剖分割算法之前，需要目视检查以记录其内容。在本工作中，为确定头部 CT 中内耳的存在/缺失并精准定位，我们使用一个体到体卷积神经网络，该网络可端到端训练，将原始 CT 体数据映射为指示内耳位置的概率图。我们在训练中引入假阳性抑制策略并施加基于形状的约束。我们实现了 98.59% 的标记准确率和 2.45mm 的定位误差。该定位误差显著小于近期提出的用于执行相同任务的基于随机森林的方法。
引用
@article{arxiv.1806.04725,
title = {Accurate Detection of Inner Ears in Head CTs Using a Deep Volume-to-Volume Regression Network with False Positive Suppression and a Shape-Based Constraint},
author = {Dongqing Zhang and Jianing Wang and Jack H. Noble and Benoit M. Dawant},
journal= {arXiv preprint arXiv:1806.04725},
year = {2018}
}
备注
Accepted to MICCAI 2018