基于卷积神经网络的解剖结构一致的MRI危险器官分割
图像与视频处理
2019-07-04 v1 计算机视觉与模式识别
摘要
放疗规划需要对大量危险器官（即应尽量减少照射剂量以避免治疗重要副作用的器官）进行准确分割。我们提出了一种深度学习方法，用于从磁共振（MR）图像中分割脑区域内的危险器官。我们的系统对八个结构进行分割：眼睛、晶状体、视神经、视交叉、垂体腺、海马体、脑干和脑。我们提出了一种高效算法来训练神经网络，以端到端方式分割多个且非互斥的类别，解决了与计算成本以及部分类别缺乏真实标注分割相关的问题。我们在后处理步骤中强制结果的解剖一致性，特别是引入了一种基于图的算法来分割视神经，强制眼睛与视交叉之间的连通性。我们在一个包含44例对比增强T1加权MRI的数据库上报告了交叉验证的定量结果，这些MRI提供了所考虑危险器官的分割标注，最初用于放疗规划。此外，我们的模型在50例MRI的独立测试集上生成的分割由一名经验丰富的放疗科医生评估，以定性地评估其准确性。不同器官的生成分割与真实标注之间的平均距离在0.1 mm至0.7 mm之间。绝大多数（96%）的生成分割被认为可用于放疗规划。
引用
@article{arxiv.1907.02003,
title = {Anatomically Consistent Segmentation of Organs at Risk in MRI with Convolutional Neural Networks},
author = {Pawel Mlynarski and Hervé Delingette and Hamza Alghamdi and Pierre-Yves Bondiau and Nicholas Ayache},
journal= {arXiv preprint arXiv:1907.02003},
year = {2019}
}
备注
Submitted to Computerized Medical Imaging and Graphics