用于腹部 CT 图像肝脏与病灶分割的上下文感知 PolyUNet

从计算机断层扫描（CT）图像中准确分割肝脏和病灶在临床实践中对于辅助肝脏肿瘤疾病的诊断与评估有很高需求。然而，由于图像在对比度、分辨率和质量上的多样性，从增强 CT 体数据中自动分割肝脏和病灶极具挑战性。先前基于 UNet 的二维逐层或三维逐体数据分割方法要么缺乏充足的空间上下文，要么面临高 GPU 计算成本，从而限制了性能。为解决这些问题，我们提出了一种新颖的上下文感知 PolyUNet 用于准确的肝脏和病灶分割。它联合探索结构多样性和连续的 t-相邻切片，以丰富特征表达能力和空间上下文信息，同时避免 GPU 内存消耗过载。此外，我们采用缩小/放大和两阶段细化策略来排除无关上下文并聚焦于特定区域以实现细粒度分割。我们的方法在 MICCAI 2017 肝脏肿瘤分割（LiTS）挑战赛的所有任务中以单一模型取得了极具竞争力的性能，并分别在肝脏分割、病灶分割、病灶检测和肿瘤负荷估计中排名第 $3^{rd}$、$12^{th}$、$2^{nd}$ 和 $5^{th}$。