CARE：用于直肠癌分割的大规模CT图像数据集与临床适用基准模型
图像与视频处理
2023-08-17 v1 计算机视觉与模式识别
机器学习
摘要
CT图像的直肠癌分割在及时临床诊断、放疗与随访中起着关键作用。尽管当前分割方法在勾画癌变组织上已展现出前景，仍面临实现高分割精度的挑战。这些障碍源于直肠复杂的解剖结构以及直肠癌鉴别诊断的困难。此外，一大障碍是缺乏大规模、精细标注的直肠癌分割CT图像数据集。为解决这些问题，本工作引入了一个新颖的大规模直肠癌CT图像数据集CARE，带有正常与癌变直肠的像素级标注，可作为算法研究与临床应用开发的宝贵资源。进而，我们提出一种新颖的医学癌症病灶分割基准模型U-SAM。该模型专为应对腹部器官复杂解剖结构带来的挑战而设计，融入了提示信息。U-SAM包含三个关键组件：辅助目标区域定位的可提示信息（如点）、用于捕获低层病灶细节的卷积模块，以及在编解码过程中保留与恢复空间信息的跳跃连接。为评估U-SAM的有效性，我们在CARE数据集上将其性能与几种流行分割方法系统比较。该模型的泛化性进一步在WORD数据集上验证。大量实验表明所提U-SAM在这两个数据集上优于最先进的方法。这些实验可作为未来研究与临床应用开发的基线。
引用
@article{arxiv.2308.08283,
title = {CARE: A Large Scale CT Image Dataset and Clinical Applicable Benchmark Model for Rectal Cancer Segmentation},
author = {Hantao Zhang and Weidong Guo and Chenyang Qiu and Shouhong Wan and Bingbing Zou and Wanqin Wang and Peiquan Jin},
journal= {arXiv preprint arXiv:2308.08283},
year = {2023}
}
备注
8 pages