基于卷积神经网络通过类别标签冗余生成实现三维脊柱建模的自动脊柱分割
计算机视觉与模式识别
2017-12-06 v1
摘要
2010 年至 2016 年，患脊柱疾病的人数显著增加。从计算机断层扫描（CT）图像中自动分割脊柱对于诊断脊柱疾病和使用计算机辅助手术系统进行操作至关重要。脊柱具有复杂的解剖结构，由 33 块椎骨、23 个椎间盘、脊髓和连接的肋骨组成。因此，脊柱外科医生面临需要一种鲁棒算法来分割并创建脊柱模型的挑战。在本研究中，我们开发了一种自动分割方法来分割脊柱，并将我们的分割结果与专家所得的参考分割进行比较。我们基于混合方法开发了从 CT 图像自动分割脊柱的方法。该方法结合卷积神经网络（CNN）与全卷积网络（FCN），并利用类别冗余作为软约束来大幅改善分割结果。所提方法显著提高了分割结果的准确率和系统处理时间。我们的比较基于 12 项指标：Dice 系数（94%）、Jaccard 指数（93%）、体积相似度（96%）、灵敏度（97%）、特异度（99%）、精度（过分割 8.3，欠分割 2.6）、准确率（99%）、Matthews 相关系数（0.93）、平均表面距离（0.16 mm）、Hausdorff 距离（7.4 mm）和全局一致性误差（0.02）。我们使用 32 名患者的 CT 图像进行实验，实验结果表明了所提方法的效率。
引用
@article{arxiv.1712.01640,
title = {Automatic Spine Segmentation using Convolutional Neural Network via Redundant Generation of Class Labels for 3D Spine Modeling},
author = {Malinda Vania and Dawit Mureja and Deukhee Lee},
journal= {arXiv preprint arXiv:1712.01640},
year = {2017}
}
备注
18 pages, 5 figures, 3 tables