利用图谱位置自上下文在三维CT数据中实现人体水平的解剖标志点检测
计算机视觉与模式识别
2018-10-02 v2
摘要
我们提出了一种高效的神经网络方法，用于在三维医学CT扫描中定位解剖标志点，该方法利用图谱位置自上下文（atlas location autocontext）来学习长距离空间上下文。位置预测通过对高斯热图回归实现，每个标志点对应一个热图。该系统允许浅层网络的块级应用，从而能够在无需过高GPU内存需求的情况下并发预测多个体积热图。此外，该系统利用一种简单的超定仿射映射来利用标志点间的空间关系，该映射对检测失败、遮挡或部分视图具有鲁棒性。评估在头部CT扫描中一系列结构上定义的22个标志点上进行。模型在201个扫描上训练和验证。在由2名人类标注者独立标注的最终20个扫描的测试集上，神经网络达到了与标注者变异性相匹配的精度，并且在各标志点类别上呈现出与人类相似的可变性模式。
引用
@article{arxiv.1805.08687,
title = {Attaining human-level performance with atlas location autocontext for anatomical landmark detection in 3D CT data},
author = {Alison Q O'Neil and Antanas Kascenas and Joseph Henry and Daniel Wyeth and Matthew Shepherd and Erin Beveridge and Lauren Clunie and Carrie Sansom and Evelina Šeduikytė and Keith Muir and Ian Poole},
journal= {arXiv preprint arXiv:1805.08687},
year = {2018}
}