使用带硬区域加权损失的可分离卷积神经网络自动分割头颈 CT 中的危险器官
图像与视频处理
2021-02-04 v1 计算机视觉与模式识别
摘要
鼻咽癌（NPC）是北极、中国、东南亚以及中东/北非地区头颈（HAN）癌症的主要形式。从计算机断层扫描（CT）图像中准确分割危险器官（OAR）并提供不确定性信息，对于 NPC 治疗放疗的有效规划至关重要。尽管卷积神经网络（CNNs）在 OAR 自动分割方面取得了最先进的性能，现有方法未提供用于治疗方案的分割结果不确定性估计，且其精度仍受若干因素限制，包括 CT 中软组织的低对比度、OAR 尺寸的极度不平衡以及较大的层间间距。为解决这些问题，我们提出了一种具有可靠不确定性估计的精确 OAR 分割新框架。首先，我们提出分段线性函数（SLF）来变换 CT 图像强度，使多个器官比现有基于简单窗宽/窗位的方法更具可区分性，后者常更好地显示某一器官却隐藏其他器官。其次，为应对大层间间距，我们引入了专为处理具有各向异性间距的临床 HAN CT 扫描设计的新型 2.5D 网络（命名为 3D-SepNet）。第三，现有难度感知损失函数常处理类级难度，而我们提出的难体素关注（ATH）采用体素级难度策略，更适用于处理某些难区域，尽管其对应类别可能容易。我们的代码现已发布于 https://github.com/HiLab-git/SepNet。
引用
@article{arxiv.2102.01897,
title = {Automatic Segmentation of Organs-at-Risk from Head-and-Neck CT using Separable Convolutional Neural Network with Hard-Region-Weighted Loss},
author = {Wenhui Lei and Haochen Mei and Zhengwentai Sun and Shan Ye and Ran Gu and Huan Wang and Rui Huang and Shichuan Zhang and Shaoting Zhang and Guotai Wang},
journal= {arXiv preprint arXiv:2102.01897},
year = {2021}
}
备注
Accepted by Neurocomputing