AG-CRC：基于解剖结构引导的 CT 结直肠癌分割（含不完美解剖知识）
图像与视频处理
2023-12-04 v2 计算机视觉与模式识别
摘要
在从医学图像勾画病灶时，人类专家总能牢记体素背后的解剖结构。然而，尽管借助现代深度学习算法可从计算机断层扫描（CT）中获取高质量（虽不完美）的解剖信息，这些自动生成的器官掩码如何辅助解决诸如结直肠癌（CRC）分割等具有挑战性的病灶分割任务，仍是一个开放性问题。本文提出一种新颖的解剖结构引导分割框架，利用自动生成的器官掩码辅助 CT 中的 CRC 分割，即 AG-CRC。首先，我们利用现有多器官分割（MOS）模型（如 TotalSegmentor）获取 MOS 掩码，并进一步推导出更具鲁棒性的感兴趣器官（OOI）掩码，其可覆盖大部分结肠-直肠及 CRC 体素。随后，我们提出一种解剖结构引导的训练块采样策略，通过优化一个启发式增益函数，同时考虑重要区域（如肿瘤或感兴趣器官）的邻近性与样本多样性。第三，我们受结肠等管状器官拓扑结构启发，设计了一种新颖的自监督学习方案，以进一步提升模型性能。最后，我们采用掩码损失方案引导模型仅关注关键学习区域。我们在两个 CRC 分割数据集上对所提方法进行了充分评估，相较当前最先进的医学图像分割模型取得了显著的性能提升（Dice 提升 5% 至 9%），消融实验进一步证明了各提出组件的有效性。
引用
@article{arxiv.2310.04677,
title = {AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with Imperfect Anatomical Knowledge},
author = {Rongzhao Zhang and Zhian Bai and Ruoying Yu and Wenrao Pang and Lingyun Wang and Lifeng Zhu and Xiaofan Zhang and Huan Zhang and Weiguo Hu},
journal= {arXiv preprint arXiv:2310.04677},
year = {2023}
}
备注
under review