使用渐进式密集 V 网络自动分割肺叶
计算机视觉与模式识别
2019-08-23 v1
摘要
可靠且自动的肺叶分割对于肺部疾病的诊断、评估和量化十分重要。现有技术极其缓慢，不恰当地依赖于先验（气道/血管）分割，和/或需要用户交互以获得最优结果。本工作提出一种基于渐进式密集 V 网络（PDV-Net）的可靠、快速且全自动肺叶分割方法。所提方法可在网络一次前向传播中分割肺叶，使用 1 块 Nvidia Titan XP GPU 平均运行时间为 2 秒，无需任何先验图谱、肺分割或任何后续用户干预。我们使用来自 LIDC 的 84 例胸部 CT 扫描和来自 LTRC 数据集的 154 例病例评估了我们的模型。我们的模型在 LIDC 测试集上取得了 的 Dice 分数，在 LTRC 测试集上取得了 的 Dice 分数，显著优于 2D U-net 模型和 3D 密集 V-net。我们进一步在来自 LOLA11 挑战赛的 55 例病例上评估了我们的模型，获得平均 Dice 分数 0.935——这一性能水平与平均分数 0.938 的最佳表现团队相当。我们广泛的鲁棒性分析还表明，我们的模型能可靠地分割来自不同厂商 CT 扫描中的健康与病理肺叶，且我们的模型对 CT 扫描重建配置具有鲁棒性。
引用
@article{arxiv.1902.06362,
title = {Automatic Segmentation of Pulmonary Lobes Using a Progressive Dense V-Network},
author = {Abdullah-Al-Zubaer Imran and Ali Hatamizadeh and Shilpa P. Ananth and Xiaowei Ding and Demetri Terzopoulos and Nima Tajbakhsh},
journal= {arXiv preprint arXiv:1902.06362},
year = {2019}
}