用于前列腺 MR 图像分割的边界加权域自适应神经网络
计算机视觉与模式识别
2019-08-16 v2
摘要
从磁共振（MR）图像中准确分割前列腺为前列腺癌的诊断和治疗提供了有用信息。然而，从 3D MR 图像中自动分割前列腺仍面临若干挑战。例如，前列腺与其他解剖结构之间缺乏清晰边界，使得准确提取边界具有挑战性。复杂背景纹理以及前列腺自身在大小、形状和强度分布上的巨大差异使分割更加复杂。随着深度学习，特别是卷积神经网络（CNNs）成为医学图像分割的常用方法，为训练 CNNs 获取大量标注医学图像的困难变得比以往更加突出。由于大规模数据集是深度学习成功的关键要素之一，训练数据的不足使得充分训练复杂 CNNs 变得困难。为应对上述挑战，本文提出一种边界加权域自适应神经网络（BOWDA-Net）。为使网络在分割时对边界更敏感，提出了边界加权分割损失（BWL）。此外，引入一种先进的边界加权迁移学习方法以解决小型医学影像数据集的问题。我们在公开可用的 MICCAI 2012 前列腺 MR 图像分割（PROMISE12）挑战数据集上评估了所提模型。实验结果表明，所提模型对边界信息更敏感，并优于其他 SOTA 方法。
引用
@article{arxiv.1902.08128,
title = {Boundary-weighted Domain Adaptive Neural Network for Prostate MR Image Segmentation},
author = {Qikui Zhu and Bo Du and Pingkun Yan},
journal= {arXiv preprint arXiv:1902.08128},
year = {2019}
}