一种高效的用于三维危险器官（OAR）分割的多尺度融合网络
图像与视频处理
2022-08-17 v1 计算机视觉与模式识别
摘要
危险器官（OARs）的精确分割是优化放疗规划的先决条件。现有的基于深度学习的多尺度融合架构已在 2D 医学图像分割中展现出巨大能力。其成功关键在于聚合全局上下文并保持高分辨率表示。然而，当迁移至 3D 分割问题时，现有多尺度融合架构可能因沉重计算开销与大量数据需求而表现不佳。为解决此问题，我们提出一种称为 OARFocalFuseNet 的新 OAR 分割框架，其融合多尺度特征并采用焦点调制以跨多尺度捕获全局-局部上下文。各分辨率流均被来自不同分辨率尺度的特征所增强，且多尺度信息被聚合以建模多样上下文范围。由此特征表示得到进一步提升。我们在 OAR 分割与多器官分割实验设置中的综合比较表明，所提 OARFocalFuseNet 在公开 OpenKBP 数据集与 Synapse 多器官分割上优于近期最先进方法。两种所提方法（3D-MSF 与 OARFocalFuseNet）在标准评价指标上均展现良好性能。我们性能最佳的方法（OARFocalFuseNet）在 OpenKBP 数据集上取得 0.7995 的 Dice 系数与 5.1435 的豪斯多夫距离，在 Synapse 多器官分割数据集上取得 0.8137 的 Dice 系数。
引用
@article{arxiv.2208.07417,
title = {An Efficient Multi-Scale Fusion Network for 3D Organ at Risk (OAR) Segmentation},
author = {Abhishek Srivastava and Debesh Jha and Elif Keles and Bulent Aydogan and Mohamed Abazeed and Ulas Bagci},
journal= {arXiv preprint arXiv:2208.07417},
year = {2022}
}
备注
4 pages, 2 figures, 2 tables