常规影像中的自动肺分割主要是数据多样性问题，而非方法学问题
图像与视频处理
2020-08-21 v2 计算机视觉与模式识别
机器学习
医学物理
机器学习
摘要
解剖结构的自动分割是图像分析中的关键步骤。对于计算机断层扫描中的肺分割，存在多种方法，涉及在不同数据集上训练和验证的复杂流程。然而，这些方法跨疾病的临床适用性仍然有限。我们比较了在多种数据集上训练的四种通用深度学习方法以及两种现成的肺分割算法。我们在具有六类以上不同疾病模式和三个已发布数据集的常规影像数据上进行了评估。使用不同深度学习方法，测试数据集上的平均Dice相似系数（DSC）差异不超过0.02。当在多样化常规数据集（n = 36）上训练时，标准方法（U-net）产生的DSC（0.97 0.05）高于在公开数据集如肺组织研究联盟（0.94 0.13，p = 0.024）或Anatomy 3（0.92 0.15，p = 0.001）上的训练结果。在涵盖多种疾病、样本量n = 231的常规数据上训练时，U-net相比于参考方法的DSC为0.98 0.03对0.94 0.12（p = 0.024）。
引用
@article{arxiv.2001.11767,
title = {Automatic lung segmentation in routine imaging is primarily a data diversity problem, not a methodology problem},
author = {Johannes Hofmanninger and Florian Prayer and Jeanny Pan and Sebastian Rohrich and Helmut Prosch and Georg Langs},
journal= {arXiv preprint arXiv:2001.11767},
year = {2020}
}
备注
10 pages, 5 figures, 5 tables