CT扫描上精确的弱监督深度病灶分割：基于RECIST的自定进度3D掩码生成
计算机视觉与模式识别
2018-01-29 v1
摘要
通过医学影像进行的体积病灶分割是精确评估多时间点病灶/肿瘤变化的强有力手段。由于人工3D分割极其耗时且需要放射学经验，当前实践依赖于一种称为实体瘤疗效评价标准（RECIST）的不精确替代方法。尽管粗糙，RECIST标记常见于当前医院影像归档与通信系统（PACS）中，意味着它们可为完整3D分割提供潜在强大但极具挑战的弱监督来源。为此，我们引入一种基于卷积神经网络的弱监督自定进度分割（WSSS）方法，以1）在轴向RECIST切片上生成初始病灶分割；2）在RECIST切片上学习数据分布；3）适应逐切片分割整个体积，最终获得体积分割。此外，我们探索了由所提出的堆叠生成对抗网络生成的超分辨率图像（超出物理CT成像的2~5倍）如何辅助WSSS性能。我们采用DeepLesion数据集，一个包含32,735个PACS书签发现的综合CT图像病灶数据集，包括不同大小、类别、身体区域及周围环境的病灶、肿瘤和淋巴结，取自4,459名患者的10,594项研究。我们还在淋巴结数据集上进行了验证，其中所有图像均有3D真值掩码。对于DeepLesion数据集，我们报告的RECIST切片上平均Dice系数为93%，3D病灶体积中为76%。我们通过主观用户研究进一步验证，一位有经验的放射科医生以92.4%的高概率接受了我们的WSSS生成的病灶分割结果。
引用
@article{arxiv.1801.08614,
title = {Accurate Weakly Supervised Deep Lesion Segmentation on CT Scans: Self-Paced 3D Mask Generation from RECIST},
author = {Jinzheng Cai and Youbao Tang and Le Lu and Adam P. Harrison and Ke Yan and Jing Xiao and Lin Yang and Ronald M. Summers},
journal= {arXiv preprint arXiv:1801.08614},
year = {2018}
}
备注
v1: Main paper + supplementary material