使用级联全卷积神经网络和 3D 条件随机场在 CT 中进行自动肝脏与病灶分割
计算机视觉与模式识别
2017-02-21 v1
摘要
肝脏及其病灶的自动分割是获取定量生物标志物以实现精确临床诊断和计算机辅助决策支持系统的重要步骤。本文提出了一种使用级联全卷积神经网络 (CFCN) 和密集 3D 条件随机场 (CRF) 在 CT 腹部图像中自动分割肝脏和病灶的方法。我们训练并级联了两个 FCN，用于肝脏及其病灶的联合分割。第一步，训练一个 FCN 分割肝脏，作为第二个 FCN 的 ROI 输入。第二个 FCN 仅从第一步预测的肝脏 ROI 中分割病灶。我们使用密集 3D CRF 细化 CFCN 的分割结果，该 CRF 同时考虑了空间一致性和外观。CFCN 模型在包含 15 个肝肿瘤体积的腹部 CT 数据集 3DIRCAD 上进行了 2 折交叉验证训练。结果表明，基于 CFCN 的语义肝脏和病灶分割对肝脏的 Dice 系数超过 94%，每个体积的计算时间低于 100 秒。我们通过实验证明了所提出方法作为决策支持系统的稳健性，具有高精度和高速度，适用于日常临床常规使用。
引用
@article{arxiv.1610.02177,
title = {Automatic Liver and Lesion Segmentation in CT Using Cascaded Fully Convolutional Neural Networks and 3D Conditional Random Fields},
author = {Patrick Ferdinand Christ and Mohamed Ezzeldin A. Elshaer and Florian Ettlinger and Sunil Tatavarty and Marc Bickel and Patrick Bilic and Markus Rempfler and Marco Armbruster and Felix Hofmann and Melvin D'Anastasi and Wieland H. Sommer and Seyed-Ahmad Ahmadi and Bjoern H. Menze},
journal= {arXiv preprint arXiv:1610.02177},
year = {2017}
}
备注
Accepted at MICCAI 2016. Source code available on https://github.com/IBBM/Cascaded-FCN