AnatomyNet：用于头颈解剖全体积快速全自动分割的深度学习
摘要
方法：我们的深度学习模型称为 AnatomyNet，以端到端方式从头颈 CT 图像分割危及器官（OAR），接收全体积 HaN CT 图像作为输入并一次性生成所有感兴趣 OAR 的掩码。AnatomyNet 构建于流行的 3D U-net 架构之上，但在三个重要方面进行了扩展：1）一种新的编码方案以允许在全体积 CT 图像上自动分割而非局部块或切片子集，2）在编码层中加入 3D 挤压-激励残差块以获得更好的特征表示，以及 3）结合 Dice 分数和 focal loss 的新损失函数以促进神经模型训练。这些特征旨在解决基于深度学习的 HaN 分割的两个主要挑战：a）分割仅占据少数切片的小解剖结构（即视交叉和视神经），以及 b）用某些解剖结构缺失真值的不一致数据标注进行训练。结果：我们收集了 261 张 HaN CT 图像训练 AnatomyNet，并使用 MICCAI 头颈自动分割挑战赛 2015 作为基准数据集评估 AnatomyNet 性能。目标是分割九种解剖结构：脑干、视交叉、下颌骨、左视神经、右视神经、左腮腺、右腮腺、左颌下腺和右颌下腺。与 MICCAI 2015 竞赛先前最优结果相比，AnatomyNet 平均提高 Dice 相似系数 3.3%。AnatomyNet 完全分割尺寸为 178 x 302 x 225 的头颈 CT 图像约需 0.12 秒，显著快于先前方法。此外，该模型能够处理全体积 CT 图像并一次性描绘所有 OAR，几乎不需要预处理或后处理。https://github.com/wentaozhu/AnatomyNet-for-anatomical-segmentation.git。
引用
@article{arxiv.1808.05238,
title = {AnatomyNet: Deep Learning for Fast and Fully Automated Whole-volume Segmentation of Head and Neck Anatomy},
author = {Wentao Zhu and Yufang Huang and Liang Zeng and Xuming Chen and Yong Liu and Zhen Qian and Nan Du and Wei Fan and Xiaohui Xie},
journal= {arXiv preprint arXiv:1808.05238},
year = {2019}
}
备注
6 figures, 4 videos in GitHub and YouTube. Accepted by Medical Physics. Code and videos are available on GitHub. Video: https://www.youtube.com/watch?v=_PpIUIm4XLU