基于深度学习方法的膀胱分割：当前局限与经验
计算机视觉与模式识别
2021-01-19 v1
摘要
精确确定和评估膀胱癌（BC）肌层浸润的范围有助于恰当的风险分层和个性化治疗选择。在此背景下，膀胱壁与癌症的分割都至关重要，因其提供分期原发肿瘤的宝贵信息。因此，对出现膀胱肿瘤症状的患者使用深度学习进行多区域分割，预示着分期准确度和肿瘤生物学行为预测的新水平。然而，尽管这些模型在其他医学问题中取得成功，多区域膀胱分割的进展仍处起步阶段，仅有少数工作处理多区域情形。此外，多数现有方法系统性地沿袭其他临床问题的已有文献，而未质疑这些方法用于膀胱分割的有效性，而后者可能呈现不同挑战。受此启发，我们深入考察基于深度学习模型的膀胱癌分割。文中强调了准确区分肌层浸润性疾病的关键决定因素、基于深度学习的膀胱分割现状、已有工作的经验与局限。
引用
@article{arxiv.2101.06498,
title = {Bladder segmentation based on deep learning approaches: current limitations and lessons},
author = {Mark G. Bandyk and Dheeraj R Gopireddy and Chandana Lall and K. C. Balaji and Jose Dolz},
journal= {arXiv preprint arXiv:2101.06498},
year = {2021}
}