在大型数据集中准确识别椎体节段
图像与视频处理
2020-10-08 v1 计算机视觉与模式识别
摘要
脊柱的椎体节段在为斑块、肌肉、脂肪和骨密度测量提供坐标系时非常有用。由于每个椎体的外观相似、脊柱的弯曲，以及诸如椎体骨折、植入物、骶骨腰化和L5骶化等异常的可能性，以高精度正确分类椎体节段具有挑战性。本工作的目标是开发一个能够在大型异质数据集中准确且鲁棒地识别L1节段的系统。我们研究的第一种方法是使用3D U-Net直接分割L1椎体，利用整个扫描体积提供上下文。我们还测试了用于L1和T12的二类分割以及L1、T12和附着于T12的肋骨的三类分割的模型。通过使用来自内部分割工具的伪分割将训练样本数量增加到249个扫描，我们能够在识别L1椎体方面达到98%的准确率，颅尾方向上的平均误差为4.5 mm。我们接下来开发了一种算法，使用3D U-Net对整段脊柱进行迭代实例分割与分类。我们发现基于实例的方法能够产生近乎整段脊柱的更好分割，但对L1的分类准确率较低。
引用
@article{arxiv.2001.10503,
title = {Accurately identifying vertebral levels in large datasets},
author = {Daniel C. Elton and Veit Sandfort and Perry J. Pickhardt and Ronald M. Summers},
journal= {arXiv preprint arXiv:2001.10503},
year = {2020}
}
备注
Accepted for publication in Proceedings of SPIE 2020: Medical Imaging