用于腹部多器官分割的边界感知网络
图像与视频处理
2022-12-26 v1 计算机视觉与模式识别
摘要
自动化腹部多器官分割是腹部器官相关疾病计算机辅助诊断中关键且具挑战性的任务。尽管众多深度学习模型已在许多医学图像分割任务中取得显著成功，但由于腹部器官尺寸多变且彼此边界模糊，精确分割腹部器官仍具挑战。本文中，我们提出一种边界感知网络（BA-Net）用于在 CT 与 MRI 扫描上分割腹部器官。该模型包含共享编码器、边界解码器与分割解码器。两个解码器均采用多尺度深度监督策略，可缓解由器官尺寸变化引起的问题。边界解码器在各尺度生成的边界概率图用作注意力以增强分割特征图。我们在腹部多器官分割（AMOS）挑战赛数据集上评估 BA-Net，于 CT 扫描多器官分割取得平均 Dice 分数 89.29%，于 MRI 扫描取得平均 Dice 分数 71.92%。结果表明 BA-Net 在两项分割任务上均优于 nnUNet。
引用
@article{arxiv.2208.13774,
title = {Boundary-Aware Network for Abdominal Multi-Organ Segmentation},
author = {Shishuai Hu and Zehui Liao and Yong Xia},
journal= {arXiv preprint arXiv:2208.13774},
year = {2022}
}
备注
Technical report. Solution to Multi-Modality Abdominal Multi-Organ Segmentation Challenge 2022 (AMOS 2022). arXiv admin note: substantial text overlap with arXiv:2208.13338