用于肝脏肿瘤分割与不确定性量化的各向异性混合网络
图像与视频处理
2023-08-24 v1 计算机视觉与模式识别
机器学习
定量方法
摘要
肝脏肿瘤的负担不容忽视，其位列癌症死亡原因的第四位。对于肝细胞癌（HCC），在对比增强磁共振成像（CE-MRI）上勾画肝脏与肿瘤用于指导治疗策略。由于该任务耗时、需要高度专业知识且可能存在观察者间差异，对自动工具存在强烈需求。然而，挑战来自可用训练数据的缺乏，以及图像分辨率和 MRI 序列的高度变异性。本工作中，我们提出比较两种基于各向异性模型的不同流程以获得肝脏与肿瘤的分割。第一种流程对应于一个基线多类模型，其同时分割肝脏与肿瘤类。在第二种方法中，我们训练两个独立的二值模型，一个仅分割肝脏，另一个分割肿瘤。我们的结果表明两种流程各有优劣。此外，我们提出一种不确定性量化策略，可识别潜在的假阳性肿瘤病灶。两种方案均提交至 MICCAI 2023 Atlas 挑战赛的肝脏与肿瘤分割任务。
引用
@article{arxiv.2308.11969,
title = {Anisotropic Hybrid Networks for liver tumor segmentation with uncertainty quantification},
author = {Benjamin Lambert and Pauline Roca and Florence Forbes and Senan Doyle and Michel Dojat},
journal= {arXiv preprint arXiv:2308.11969},
year = {2023}
}
备注
Accepted for presentation at MICCAI Workshop on 2nd Resource-Efficient Medical Image Analysis (REMIA)