基于贝叶斯 U-Net 从临床 CT 自动分割肌肉用于个性化肌骨建模
图像与视频处理
2019-12-10 v2 计算机视觉与模式识别
摘要
我们提出了一种从临床 CT 中自动分割单个肌肉的方法。该方法使用具有 U-Net 架构的贝叶斯卷积神经网络，利用蒙特卡洛 dropout 推断不确定性度量以及分割标签。我们使用两个数据集评估了所提方法的性能：20 例髋部和大腿区域的全标注 CT，以及 18 例来自癌症影像档案库（TCIA）公开可用的部分标注 CT。实验在 20 例 CT 的 19 块肌肉上显示出 Dice 系数（DC）为 0.891 ± 0.016（均值 ± 标准差），平均对称表面距离（ASD）为 0.994 ± 0.230 mm。这些结果相较于最先进的分层多图谱方法（其 DC 为 0.845 ± 0.031，ASD 为 1.556 ± 0.444 mm）在统计上显著更优。我们评估了不确定性度量在多类器官分割问题中的有效性，并展示了高不确定性像素与分割失败之间的相关性。展示了不确定性度量在主动学习中的一个应用，所提出的查询像素选择方法显著降低了扩展训练数据集的人工标注成本。所提方法可在临床常规中实现对个体肌肉形状的准确患者特异性分析。这将开启包括生物力学模拟个性化和肌肉萎缩定量评估在内的多种应用。
引用
@article{arxiv.1907.08915,
title = {Automated Muscle Segmentation from Clinical CT using Bayesian U-Net for Personalized Musculoskeletal Modeling},
author = {Yuta Hiasa and Yoshito Otake and Masaki Takao and Takeshi Ogawa and Nobuhiko Sugano and Yoshinobu Sato},
journal= {arXiv preprint arXiv:1907.08915},
year = {2019}
}
备注
11 pages, 10 figures, and supplementary materials