利用大规模临床标注的精确弱监督深度病灶分割：从 2D RECIST 生成切片传播的 3D 掩码
计算机视觉与模式识别
2018-07-04 v1
摘要
从计算机断层扫描（CT）图像中进行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。然而，由于人工 3D 分割极为耗时，当前实践依赖于一种不精确的替代方法，称为实体瘤疗效评价标准（RECIST）。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 分割提供潜在强大却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（CNN）的弱监督切片传播分割（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）外推逐切片分割整个病灶，最终获得体积分割。为验证所提方法，我们首先在一个完全标注的淋巴结数据集上测试其性能，WSSS 表现与全监督对应方法相当。我们随后在一个含 32,735 个 RECIST 标记的综合病灶数据集上测试，报告在 RECIST 标记切片上平均 Dice 分数 92%，在整个 3D 体积上 76%。
引用
@article{arxiv.1807.01172,
title = {Accurate Weakly-Supervised Deep Lesion Segmentation using Large-Scale Clinical Annotations: Slice-Propagated 3D Mask Generation from 2D 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:1807.01172},
year = {2018}
}
备注
9 pages, 3 figures, accepted to MICCAI 2018. arXiv admin note: substantial text overlap with arXiv:1801.08614