AttentionAnatomy：利用多个部分标注数据集进行全身危险器官分割的统一框架
图像与视频处理
2020-01-14 v1 计算机视觉与模式识别
摘要
计算机断层扫描（CT）中的危险器官（OAR）勾画是放射治疗（RT）规划中的重要步骤。近来，基于深度学习的 OAR 勾画方法已被提出并应用于人体不同区域（头颈、胸部和腹部）的临床实践。然而，关于端到端全身 OAR 勾画的研究很少，因为现有数据集大多针对该任务为部分或不完整标注。本文中，我们提出的端到端卷积神经网络模型称为 \textbf{AttentionAnatomy}，可联合三个部分标注数据集训练，分割全身 OAR。我们的主要贡献为：1) 由身体区域标签隐式引导的注意力模块，用以调节分割分支输出；2) 利用输入图像先验信息的预测重校准操作，以处理部分标注（HPA）问题；3) 结合批量 Dice 损失与空间平衡 focal 损失的混合损失函数，以缓解器官尺寸不平衡问题。我们提出的框架实验结果在 S{\o}rensen-Dice 系数（DSC）与 95\% Hausdorff 距离上相较基线模型均有显著提升。
引用
@article{arxiv.2001.04446,
title = {AttentionAnatomy: A unified framework for whole-body organs at risk segmentation using multiple partially annotated datasets},
author = {Shanlin Sun and Yang Liu and Narisu Bai and Hao Tang and Xuming Chen and Qian Huang and Yong Liu and Xiaohui Xie},
journal= {arXiv preprint arXiv:2001.04446},
year = {2020}
}
备注
accepted by ISBI 2020 (4 pages, 2 figures)