深度活动病变分割
图像与视频处理
2020-09-01 v4 计算机视觉与模式识别
机器学习
摘要
病变分割是计算机辅助诊断中的一个重要问题，但由于低对比度、不规则边界普遍存在且难以适用形状先验，该问题仍具挑战性。我们提出深度活动病变分割（DALS），一个全自动分割框架，其利用了全卷积神经网络（CNN）强大的非线性特征提取能力以及活动轮廓模型（ACM）精确的边界描绘能力。我们的 DALS 框架受益于一种改进的水平集 ACM 公式，该公式具有逐像素参数化的能量泛函，以及一种新颖的多尺度编码器-解码器 CNN，其学习用于 ACM 的初始化概率图及参数图。我们在一个新的多器官病变分割（MLS）数据集上评估我们的病变分割模型，该数据集包含不同成像模态（MR 和 CT）下多个器官（包括脑、肝和肺）的图像。我们的结果表明，与对比方法相比具有良好性能，尤其是在小训练数据集情况下。源代码：\text{https://github.com/ahatamiz/dals}
引用
@article{arxiv.1908.06933,
title = {Deep Active Lesion Segmentation},
author = {Ali Hatamizadeh and Assaf Hoogi and Debleena Sengupta and Wuyue Lu and Brian Wilcox and Daniel Rubin and Demetri Terzopoulos},
journal= {arXiv preprint arXiv:1908.06933},
year = {2020}
}
备注
Accepted to Machine Learning in Medical Imaging (MLMI 2019). Link to source code added