基于统计形状模型与卷积神经网络的经直肠三维超声图像前列腺自动分割
图像与视频处理
2021-06-18 v1 计算机视觉与模式识别
摘要
本文中，我们提出在具有挑战性的经直肠超声（TRUS）图像数据集上，利用卷积神经网络（CNNs）与统计形状模型（SSMs）分割前列腺。TRUS 常用于针对前列腺的若干图像引导介入操作。在这些图像上对该器官进行快速而准确的分割，对于规划及与磁共振图像（MRIs）等其他模态的融合至关重要。然而，TRUS 的软组织对比度与信噪比有限，使得前列腺分割任务困难且存在观察者间与观察者内的变异性。这在腺体边界难以界定的基底部和尖部尤为成问题。本文旨在利用在 MR 数据集上学习到的形状先验来解决此问题，该数据集具有更高的软组织对比度，可更准确地勾画前列腺轮廓。我们将此形状先验与由 CNN 计算的前列腺组织概率图结合用于分割。
引用
@article{arxiv.2106.09662,
title = {Automatic Segmentation of the Prostate on 3D Trans-rectal Ultrasound Images using Statistical Shape Models and Convolutional Neural Networks},
author = {Golnoosh Samei and Davood Karimi and Claudia Kesch and Septimiu Salcudean},
journal= {arXiv preprint arXiv:2106.09662},
year = {2021}
}