深度学习在磁共振前列腺分割中的应用：综述与新视角
图像与视频处理
2020-11-17 v1 计算机视觉与模式识别
摘要
前列腺放疗是一种成熟的治愈性肿瘤学疗法，未来将采用基于磁共振成像（MRI）的放疗进行每日自适应放疗靶区勾画。然而，从MRI数据中准确勾画前列腺轮廓是一个耗时的过程。深度学习已被认为是前列腺癌精准放疗的潜在新技术，其中准确的前列腺分割有助于癌症检测与治疗。然而，由于采集协议不同、公开可用数据集有限且规模相对较小，训练好的模型在临床环境中的应用可能受限。因此，为探索前列腺分割领域并寻找可泛化的解决方案，我们综述了MR前列腺分割中最先进的深度学习算法；通过讨论其局限性与优势为该领域提供见解；并提出一种用于MR前列腺分割的优化2D U-Net。我们使用Dice相似系数（DSC）作为性能指标在四个公开可用数据集上评估性能。我们的实验包括数据集内评估与跨数据集评估。最佳结果由组合评估取得（Decathlon测试集上DSC为0.9427），最差结果由跨数据集评估取得（DSC为0.5892，Prostate X训练集，Promise 12测试集）。我们概述了挑战并为未来工作提供建议。我们的研究为MR前列腺分割提供了新视角，更重要的是，我们为研究人员评估其算法提供了标准化的实验设置。我们的代码可在 https://github.com/AIEMMU/MRI_Prostate 获取。
引用
@article{arxiv.2011.07795,
title = {Deep learning in magnetic resonance prostate segmentation: A review and a new perspective},
author = {David Gillespie and Connah Kendrick and Ian Boon and Cheng Boon and Tim Rattay and Moi Hoon Yap},
journal= {arXiv preprint arXiv:2011.07795},
year = {2020}
}
备注
10 pages