深度学习分割骨盆骨：大规模 CT 数据集与基线模型
计算机视觉与模式识别
2021-04-02 v2
摘要
目的：CT 中骨盆骨分割一直是骨盆骨疾病临床诊断与手术规划中的关键步骤。现有骨盆骨分割方法多为手工设计或半自动，在处理因多站点域偏移、对比血管存在、粪石与食糜、骨折、低剂量、金属伪影等引起的图像外观变化时精度有限。由于缺乏带标注的大规模骨盆 CT 数据集，深度学习方法尚未被充分探索。方法：本文旨在通过整理汇集自多来源与不同制造商的大规模骨盆 CT 数据集来弥补数据缺口，该数据集包含 1,184 个 CT 体积和超过 320,000 张具有不同分辨率及上述多种外观变化的切片。然后，据我们所知我们首次提出从多域图像同时学习一个深度多类网络，用于分割腰椎、骶骨、左髋和右髋，以获得更有效且鲁棒的特征表示。最后，我们引入一种基于符号距离函数（SDF）的后处理工具，在保留正确预测的骨碎片的同时消除错误预测。结果：在我们数据集上的大量实验证明了自动方法的有效性，对无金属体积达到平均 Dice 0.987。SDF 后处理器通过在后处理阶段保留重要骨碎片，使豪斯多夫距离降低 10.5%。结论：我们相信该大规模数据集将推动整个社区的发展，并计划在 https://github.com/ICT-MIRACLE-lab/CTPelvic1K 开源图像、标注、代码及训练好的基线模型。
引用
@article{arxiv.2012.08721,
title = {Deep Learning to Segment Pelvic Bones: Large-scale CT Datasets and Baseline Models},
author = {Pengbo Liu and Hu Han and Yuanqi Du and Heqin Zhu and Yinhao Li and Feng Gu and Honghu Xiao and Jun Li and Chunpeng Zhao and Li Xiao and Xinbao Wu and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2012.08721},
year = {2021}
}
备注
Accepted by IPCAI2021