基于图谱的半监督微分同胚配准分割
计算机视觉与模式识别
2019-11-26 v1
摘要
目的：危险器官（OARs）的分割是当前放射肿瘤学流程中的瓶颈，通常耗时且劳动密集。本文提出一种基于图谱的半监督配准算法，用于生成具有真实轮廓的OARs的精确分割，以及图谱中所有其他OARs的粗略分割。据我们所知，这是首个将基于学习的配准方法用于头颈患者分割并展示其在临床应用中效用的研究。方法：我们的算法级联刚性与可变形形变块，以图谱图像（M）、图谱空间分割集（S_A）和患者图像（F）作为输入，输出图谱上定义的所有OARs的患者空间分割。我们在来自公共档案与斯坦福放射肿瘤诊所（SROC）的475张CT图像上训练模型，在SROC的5张CT图像上验证，并在SROC的20张CT图像上测试。结果：我们的方法优于当前SOTA的基于学习的配准算法，在测试集上取得0.789的总体dice分数。此外，我们的方法取得了与手动分割和 supervised 分割相当的性能，同时解决了复杂得多的配准问题。而 supervised 分割方法仅对少数选定OARs实现分割过程自动化，我们证明我们的方法可对关注OARs取得类似性能，同时还提供所提供图谱上每个其他OAR的分割。结论：我们提出的算法具有重要的临床应用，可帮助缓解头颈OARs分割的瓶颈。进一步，我们的结果表明半监督微分同胚配准可精确应用于配准与分割问题。
引用
@article{arxiv.1911.10417,
title = {Atlas Based Segmentations via Semi-Supervised Diffeomorphic Registrations},
author = {Charles Huang and Masoud Badiei and Hyunseok Seo and Ming Ma and Xiaokun Liang and Dante Capaldi and Michael Gensheimer and Lei Xing},
journal= {arXiv preprint arXiv:1911.10417},
year = {2019}
}