利用带特征金字塔注意力的全卷积网络实现前列腺分区分割自动化
图像与视频处理
2019-11-04 v1 计算机视觉与模式识别
摘要
我们的主要目标是开发一种基于深度学习的新算法用于前列腺分区自动分割，并在独立的额外测试数据上评估所提算法，与两位专家间的读者间一致性进行比较。在 IRB 批准和 HIPAA 合规下，我们设计了一种新颖的卷积神经网络（CNN），用于在 T2 加权（T2w）MRI 上自动分割前列腺移行区（TZ）和外周区（PZ）。总研究队列包括来自两个来源的 359 名患者；313 名来自去标识的公开可用数据集（SPIE-AAPM-NCI PROSTATEX 挑战赛），46 名来自美国大型三级转诊中心配备 3T MRI（外部测试数据集（ETD））。TZ 和 PZ 轮廓由研究员手动标注，并由泌尿生殖（GU）放射科医生监督。模型使用 250 名患者开发，并使用 PROSTATEX 中剩余 63 名患者内部测试（内部测试数据集（ITD）），再使用 ETD 外部测试（n=46）。采用 Dice 相似系数（DSC）评估分割性能。ITD 中 PZ 和 TZ 的 DSC 分别为 0.74 和 0.86。ETD 中 PZ 和 TZ 的 DSC 分别为 0.74 和 0.792。读者间一致性（专家 2 对专家 1）为 0.71（PZ）和 0.75（TZ）。这种新颖的 DL 算法在 ITD 和 ETD 上均能高精度自动分割 PZ 和 TZ，PZ 无性能差异，TZ 差异小于 10%。在 ETD 中，所提方法在前列腺分区分割上可与专家相媲美。
引用
@article{arxiv.1911.00127,
title = {Automatic Prostate Zonal Segmentation Using Fully Convolutional Network with Feature Pyramid Attention},
author = {Yongkai Liu and Guang Yang and Sohrab Afshari Mirak and Melina Hosseiny and Afshin Azadikhah and Xinran Zhong and Robert E. Reiter and Yeejin Lee and Steven Raman and Kyunghyun Sung},
journal= {arXiv preprint arXiv:1911.00127},
year = {2019}
}
备注
Has been accepted by IEEE Access