用于 CT 成像胰腺分割的深度卷积网络
计算机视觉与模式识别
2015-09-17 v1
摘要
自动器官分割是许多计算机辅助诊断系统的重要前提。腹部器官（如胰腺）的高度解剖变异性，使得许多分割方法在与肝脏、心脏或肾脏等其他器官的分割相比时，难以达到高精度。最近，大型标注训练集的可用性以及通过 GPU 获取实惠的并行计算资源的便利性，使得卷积网络 (ConvNets) 等“深度学习”方法在图像分类任务中取得成功成为可能。这些方法的优势在于所使用的分类特征是直接从成像数据中训练得到的。我们提出了一种完全自动化的自底向上方法，用于腹部计算机断层扫描 (CT) 图像中的胰腺分割。该方法基于局部图像区域（超像素）的分层由粗到细分类。使用简单线性迭代聚类 (SLIC) 从腹部区域提取超像素。利用补丁级置信度和两级随机森林分类器级联生成初始概率响应图，从中保留概率大于 0.5 的超像素区域。这些保留的超像素作为胰腺及其周围区域的高灵敏度初始输入，送入一个 ConvNet，该网络在不同尺度下（并在训练时进行随机非刚性形变）对每个超像素周围的边界框进行采样，以分配每个超像素区域属于胰腺或非胰腺的更显著概率。我们在 82 名患者的 CT 图像上评估了该方法（60 例用于训练，2 例用于验证，20 例用于测试）。使用 ConvNets，我们在测试中达到了 68%±10%（范围 43-80%）的平均 Dice 分数。这表明使用深度学习方法进行精确胰腺分割的前景广阔，并与最先进方法相比具有优势。
引用
@article{arxiv.1504.03967,
title = {Deep convolutional networks for pancreas segmentation in CT imaging},
author = {Holger R. Roth and Amal Farag and Le Lu and Evrim B. Turkbey and Ronald M. Summers},
journal= {arXiv preprint arXiv:1504.03967},
year = {2015}
}
备注
SPIE Medical Imaging conference, Orlando, FL, USA: SPIE Proceedings | Volume 9413 | Classification