ARPM-net：一种基于CNN并结合马尔可夫随机场增强的对抗方法用于盆腔CT图像中前列腺及危险器官分割
图像与视频处理
2021-06-09 v4 计算机视觉与模式识别
摘要
目的：本研究旨在开发一种基于CNN的对抗深度学习方法，以改进并加速CT图像的多器官语义分割，并在盆腔CT图像上生成准确轮廓。方法：回顾性选取120例局限性前列腺癌患者的计划CT及结构数据集，划分用于10折交叉验证。所提出的对抗式多残差多尺度池化马尔可夫随机场（MRF）增强网络（ARPM-net）采用对抗训练方案。分割网络与判别网络联合训练，仅分割网络用于预测。分割网络将新设计的MRF模块集成到一种多残差U-net变体中。判别网络以原始CT与预测/真值的乘积为输入，将输入分类为伪/真。分割网络与判别网络可作为整体联合训练，也可在分割网络粗训后利用判别网络微调。引入多尺度池化层，以比空洞卷积层更少的内存保留池化过程中的空间分辨率。提出自适应损失函数以增强对小器官或低对比度器官的训练。以临床轮廓作为真值参考，采用Dice相似系数（DSC）、平均Hausdorff距离（AHD）、平均表面Hausdorff距离（ASHD）和相对体积差（VD）衡量建模轮廓精度。将所提ARPM-net方法与若干最先进深度学习方法比较。
引用
@article{arxiv.2008.04488,
title = {ARPM-net: A novel CNN-based adversarial method with Markov Random Field enhancement for prostate and organs at risk segmentation in pelvic CT images},
author = {Zhuangzhuang Zhang and Tianyu Zhao and Hiram Gay and Weixiong Zhang and Baozhou Sun},
journal= {arXiv preprint arXiv:2008.04488},
year = {2021}
}
备注
21 pages, 8 figures; accepted as a journal article at Medical Physics; abstract presented at AAPM 2020