放射治疗中基于深度生成模型驱动的多模态前列腺分割
图像与视频处理
2019-10-24 v1 计算机视觉与模式识别
摘要
深度学习在计算机视觉和医学图像分析等多种应用中取得了前所未有的成功。然而，通过基于学习的形状建模与配准嵌入先验知识以学习器官的模式不变解剖结构，在多模态图像分割方面仍有改进空间。例如，在放射治疗中，从T2加权MR或CT图像自动分割前列腺对前列腺癌诊断、治疗及治疗后评估至关重要。本文提出一种使用卷积神经网络(DGMNet)的完全自动、深度生成模型驱动的多模态前列腺分割方法。我们方法的新颖之处在于其嵌入的用于基于学习的形状生成的生成神经网络，以及其通过基于学习的配准适应不同成像模态的能力。所提方法包含一个多任务学习框架，该框架结合了卷积特征提取与基于嵌入回归和分类的形状建模。这使得网络能够预测器官的可变形形状。我们表明，在可靠对比度成像模态(如MRI)上训练的生成神经网络形状建模可直接应用于低对比度成像模态(如CT)以实现准确的前列腺分割。该方法在来自不同临床中心、对比度和扫描协议差异很大的MRI和CT数据集上进行了评估。实验结果表明，我们的方法可用于在不同成像模态中自动且准确地分割前列腺腺体。
引用
@article{arxiv.1910.10542,
title = {Deep generative model-driven multimodal prostate segmentation in radiotherapy},
author = {Kibrom Berihu Girum and Gilles Créhange and Raabid Hussain and Paul Michael Walker and Alain Lalande},
journal= {arXiv preprint arXiv:1910.10542},
year = {2019}
}
备注
8 pages, camera ready paper, accepted for Artificial Intelligence in Radiation Therapy (AIRT), in conjunction with MICCAI 2019